Introduction
（1）Motivation：
① 大部分基于视频的reid方法把视频序列看做图片集，没有注意到动作遮挡引起质量差异，（带噪声的序列称为未正规化序列）。
② 有的方法采用了跟踪步态周期的光流算法，但方法在噪声的影响下很难获得可靠的光流估计。
（2）Contribution：
提出了 self pace weighting（SPW）方法，解决以下两个问题：
① 将视频序列划分为若干相同的子序列，并判断状态（噪声/干净）；
② 评估噪声的情况，并得到一个鲁棒的距离度量。
对应 ①，作者定义了 sequence stability measure（SSM）来自动将未正规化的视频序列划分为多个子序列；
对于 ②，受到 curriculum learning（简单概括就是先学习容易的情况再去学习复杂的情况）的启发，提出了一个 self paced outlier detection（SPOD）方法来评估噪声的等级，并提出了一个adaptice weighted multi-pair distance metric learning 方法来衡量视频序列之间的距离。
Proposed Approaches
（1）概述：
（2）视频序列分割：
不同于采用光流信息的方法，作者将视频按照遮挡信息进行分割，如上图所示。
作者采用了 Ayvaci, Raptis, and Soatto 2010 在 Occlusion detection and motion estimation with convex optimization 提出的遮挡信息【待阅读】，如下图所示。定义 oi 为 相邻两帧 Ii 和 Ii-1 之间的遮挡信息，定义
为稳定性衡量，表示帧的变化差异。
定义一个视频序列
，则计算帧的稳定性为：
序列的稳定性衡量为：
，并用高斯平滑来降低噪声。最后按照局部最大值进行分割，得到子序列集合
，每个子序列为局部最大值点 {t} 周围 L 长度范围内，即 
，L 为局部最大值和局部最小值的距离。
（3）自步异常检测：
① 问题描述：
假设查询视频序列为 p，对应视频库含有 n 个视频，则将每个视频划分为一系列子序列，即 
，K = n + 1，mi 表示每个视频序列包含的子序列的数量，且
。定义权重向量
，每个元素为
。
设定 
，（Y到底是什么？怎么理解？ranking score是什么？）。对每个子序列都预估一个 ranking score，同一个视频的子序列都含有相同的 ranking score，定义为
，则 ranking 损失为：
其中 
，
。
我的理解：当两个序列距离很近时，w 值很大，这时候希望两者的 ranking score 很相近，以至于这项趋近于0。
优化函数参照 Jiang et al. 2014 在 Self-paced learning with diversity 所提【待阅读】，为：
优化目标为：
其中
为子序列的噪声等级，ranking 损失集合 
，阈值 β。
依据阈值进行判断，若小于阈值β，则损失为0（我的理解是允许适度的误差）。越小甚至为0的 l 损失，会使得 1 - v 越大，即 v 越小； 越大的 l 损失会使得 v 越大，即噪声越大。
跟以往加上一个正规化项不一样，这里减去了一个正规化项，主要是为了提高 v 分散的多样性，我的理解是尽可能让 v 的非零项分散到不同序列中。
② 优化方法：
step1：固定 V，优化 f，即目标函数变为：
可以用常规的凸优化方法解决；
step2：固定 f，优化 V，即目标函数变为：
可以用CCCP算法进行解决【待阅读】。
（3）多视频对加权距离度量：
query集：
gallery集：
距离度量：
其中：
当两者的噪声很大，那么 z 就会趋近于1，距离值就会增大，否则，z 趋近于 1/2，相对而言距离值减小。
Experiments
