这篇论文是以《Joint Detection and Identification Feature Learning for Person Search》作为baseline进行改进的。在保持baseline中joint detection and re-id的方法基础上，本文方法将query guided person search这一思想贯彻始终，提出了QSSE-Net，QRPN，QSimNet三种子网络以实现利用query辅助搜索的想法。
上表中是Person search中各种方法在CUHK-SYSU数据集上的表现对比，虚线上的方法将图片的短边resize到了600，虚线下方的方法将图片的短边resize到了900。对比最后两行可以看到QEEPS在OIM基础上的提升。
上表中是各方法在PRW/PRW mini中的对比，虚线上方为PRW，虚线下方为PRW mini。由于基于query-based的方法每次前传都需要将 [query, gallery] pair送入网络中处理，若有n个query和m个可能出现target的gallery，则网络需要前传n * m次而非n + m次，而PRW相对于CUHK-SYSU，每个query对应了更多的Bbox(36.8PRW v.s 2.8CUHK-SYSU)，因此本文团队在PRW的基础上，抽取了30个query和所有的galery组成PRW mini，采取合适方法保持难度的同时降低evaluation的时间消耗。
模型结构如上，采取了Siamese network(孪生网络)，在处理gallery时也同时将query也送入网络，辅助gallery feature maps的提取(通过QSSE模块)，然后在原有RPN的基础上增加了QRPN更好的proposal ROI，在最后匹配query ID feature和Proposal ID feature时加入了QSim-Net来帮助匹配。
首先来看QSSE-Net是如何work的。
QSSE是在SE(Squeeze-and-Excitation)的基础上提出的。SE的前传过程是将Residual block中通过Residual部分的feature首先通过Global Average Pooling将feture的每个通道变为size 1 * 1，整个feature map变为1 * 1 * C的tensor，然后通过全连接层FC1将维度C变为C/r，经过ReLu，再经过FC2将C/r还原为C，再经过Sigmoid，最终得到1 * 1 * C的tensor。将这个tensor作为权重，与Residual部分的输出做channel wise的乘积，调整feature map每个通道的权重，所谓Scale操作。最后将Scale的结果与Residual的输入相加作为SE模块的输出。
QSSE是如何work的呢？其实是将SE做了类似孪生网络的设计，Residual的输出经过GAP后进行拼接得到1 * 1 * 2C的tensor，FC1将其调整为2C/r，FC2重新调整为C（注意是C而非2C，以便与query和gallery各自Scale）。
在BaseNet部分中，经过多次QSSE block作为BaseNet的输出。
QRPN模块中，首先对普通特征网络提取得到的Query feature map做ROI Pooling，然对其应用SE网络，得到1 * 1 *C的向量，再用该向量对BaseNet得到的Gallery feature map进行scale操作，然后送入后续的普通RPN。
原文中对Bbox Proposal这一步的叙述是，QRPN得到类似相似度的分数，普通RPN得到Bbox包围的是object的分数，二者相加作为最终的分数，以此为依据进行NMS非极大值抑制，然后对剩下的Bbox进行regression完成Bbox Proposal。
在OIM中对Query feature和Gallery上的proposal的feature计算余弦相似的及基础上，本文还加入了QSimNet，计算二者的相似度。过程是首先计算二者的L2距离(按维度相减再平方)，然后应用Batch Normalization，通过全连接层，以及Softmax，最终得到query和gallery上的proposal的相似度得分。
