some questions

[cymedu]

（1）传统的训练好的CNN对所有query都是同一套参数，而QAconv对每个query的参数是不同的，这样理解是否正确？如果正确的话，测试时新的query的QAconv的参数是如何得到的呢？如果不正确的话，query-adaptive中的’adaptive’该怎么理解？
（2）这个自适应卷积的参数，是这个query的每个位置都对应一个特异的卷积核还是这个query的所有位置共享一个卷积核？
（3）QAConv是怎么学到的图像匹配？因为整个监督信息只有ID信息，也就是说，只能反馈这两个是不是同一个人，怎么学到这个局部和那个局部匹配上？
（4）QAconv是用于图像匹配的卷积核，它也是从数据集里面训练的，那么会不会也存在只对训练数据的已有的模式响应的问题？也就是说，对于新的类别，QAconv如何保证能对新的模式响应呢？

期待您耐心的解答

[ShengcaiLiao]

谢谢关注。

（1）QAconv对每个query的参数是不同的：CNN backbone的参数是一样的，只有QAConv层的卷积核参数不一样。测试时新的参数是从query feature map里得到的，可以看论文的示意图。Adaptive也就这个意思，指的是QAConv层的卷积核是根据query确定。

（2）query的每个位置都对应一个特异的卷积核。

（3）对，这个是QAConv高光的地方，对于局部匹配这个任务来说相当于是弱监督学习。原理上可以这么理解，是QAConv的这个机制和end-to-end的训练共同决定的。给定ID信息后，整个网络需要朝着正确识别ID的方向训练，然后在QAConv里寻找最大局部匹配分数的机制下，如果找到的匹配都是随机混乱的，那是很难完成ID识别任务的，因此网络会逐渐能找到一些靠谱的匹配去完成ID识别任务。

（4）这也是QAConv的机制决定的。传统的提取特征的CNN网络，提取的特征是个一维向量，是全局的响应，大致是抽象了训练集的一些显著的鉴别性特征，但“显著”和“鉴别性”在新domain下可能会变化。而QAConv的backbone提取的是保留了空间信息的2D特征图，因此这个局部响应会有更多的自由度；同时，QAConv的匹配方法的假设基础是同一个ID的不同图像具有一些相似的局部响应就行，而不是要求高度抽象了的全局特征要在特征空间中同ID聚拢，这样在新domain下只要这个假设还成立，就能匹配得好。