近幾年re-id相關論文大爆發，最近分享的都是比較經典的或是頂會的論文。

Spatial-Temporal Person Re-identification

今天這篇主要的亮點是結合了時空資訊輔助reid結果，

架構十分簡單，Backbone就是Res50的PCB，
下方是用dataset預先提取出 時間-攝影機關係的時空模型，
最後用一個Joint Metric融合兩者分數得到結果。

Spatial-temporal Stream

時空模型的建模方法是統計歷史數據，得到從一個攝影機(ci)到另一個攝影機(cj)的時間統計，
這邊以DukeMTMC dataset為例

具體做法會將時間t切割成多個bin，計算Spatial-temporal histogram

然後再使用Parzen Window smooth去平滑曲線。

Joint Metric

並非直接將分數相乘，這邊另外構造一個公式去融合，
有興趣的可以看論文詳細推導過程。
Laplace smoothing
Logistic function

Result

發現加上時空模型輔助，可以直接將Benckmark分數提升到逆天的高XD
不可否認時空模型的確有幫助，
不過我想主要問題是，若需要實際應用時，
要如何獲得正確、有效的時空模型。