사람 검색(Person search)은 사람 탐지(Person Detection)와 사람 재식별(Person Re-identification, re-ID)를 동시에 해결하는 것을 목표로 한다. 기존 연구들은 Faster R-CNN 기반의 엔드 투 엔드 네트워크를 설계해왔다. 그러나 Faster R-CNN의 병렬 구조로 인해 추출되는 특징은 탐지된 고품질 경계 상자(bounding box)가 아니라, 영역 제안 네트워크(Region Proposal Network)에 의해 생성된 저품질 제안(proposal)에서 유래하게 된다. 사람 검색은 세밀한 작업이며, 이러한 열악한 특징은 재식별 성능을 크게 저하시키는 원인이 된다. 이 문제를 해결하기 위해, 보다 우수한 특징을 추출하기 위해 순차적 엔드 투 엔드 네트워크(Sequential End-to-end Network, SeqNet)를 제안한다. SeqNet에서는 탐지와 재식별을 순차적으로 진행되는 점진적 과정으로 간주하고, 두 개의 하위 네트워크를 차례로 적용하여 처리한다. 또한, 사람 매칭을 위한 중요한 보완적 단서로써 맥락 정보를 효과적으로 활용하기 위해 강건한 컨텍스트 바이파트라이트 그래프 매칭(Context Bipartite Graph Matching, CBGM) 알고리즘을 설계하였다. CUHK-SYSU와 PRW와 같이 널리 사용되는 두 가지 사람 검색 벤치마크에서 실시한 광범위한 실험 결과, 본 방법이 최신 기술 수준(SOTA)의 성능을 달성함을 확인하였다. 또한, 단일 GPU에서 모델은 11.5 fps의 속도로 실행 가능하며, 기존 엔드 투 엔드 프레임워크에 쉽게 통합할 수 있다.