基于深度学习的Person Re-ID（特征提取）

一. CNN特征提取

       通过上一篇文章的学习，我们已经知道，我们训练的目的在于寻找一种特征映射方法，使得映射后的特征 “类内距离最小，类间距离最大”，这种特征映射 可以看作是 空间投影，选择一组基，得到基于这组基的特征变换，与 PCA 有点像。

       这一篇我们讲的就是基于 CNN的特征提取，特征提取过程也就是训练过程，训练结果就是 CNN 的参数。

       以 Triplet Function 为例，对于 一个输入图像三元组 Trip，通过一个共享参数的网络进行训练，通过下图可以看到，三个图像  分别得到了一个特征空间，这个特征空间只要满足 前面提到的距离度量函数（后面的Distance Cost），那么训练就算完成了。

       这里面有几个关键点：

• 提取全局特征与局部特征结合，可以学到更能描述行人的特征；
• CNN采用共享权值方式进行特征提取；
• Distance Cost 作为Loss函数驱动 CNN特征参数调整；

        

二. 训练过程

       还是通过 Loss 函数来看训练过程（每N个Trip样本训练一次）：

       

       前面已经讲过，Loss函数表示两部分的误差和，即：

       1） t1表示 I与正样本的距离 与 I到负样本的距离的Margin；

       2） t2表示 I与正样本的距离 小于一个常数；

       下面步入正题，这两个参数 是否有必要？ok，我们第一步就是去除拍脑袋参数，重新设计 Loss函数为：

       

        目标是求Loss函数尽可能的小，当然我们知道这个公式的问题在于 Loss 只会尽可能的小，不可能为0，同时含有除法，可能按照我们的理解，这并不是一个好的Loss函数，之前我们做 CNN Loss函数的时候都是与 Ground Truth 进行对比，与 Ground Truth 一致的时候，Loss应该为0。

       那么这个函数如何改进呢？ （想几个idea，哈哈）

三. New Idea

       提出新的思路，如何通过训练的方法更进一步 对 Loss Func 进行加工，比如：

1）借鉴 Pair-wise 的方法，得到的结果为 负样本-正样本的差；

2）或者通过某种换算，将正样本距离映射为0，这样就只需要考虑一种距离的Loss；

3）将两种距离的比值近似为线性函数展开；

       另外，针对卷积部分，有两个思路可以参考：

1）可以基于上面 Part-Model 进行分块，分块的 卷积结果 通过加权来设计，从而提高其中一部分的影响力；

2）通过马氏距离替换原来的欧式距离，马氏距离反应了方差，对类比型的距离度量更合适；

       先 Mark 这几种思路，有想改进算法的朋友可以多交流！