Person Re-Identification by Support Vector Ranking

作者这篇文章的idea是不需要得到一个pair的绝对的匹配分数，只需要多个pairs之间的相对分数，拿来做rank即可。

rank可以用boosting或者kernal based两种方法来做，后者包括SVM，rankboost 的思想就是用一系列的弱ranker来构成一个强ranker，但是由于person reID问题中，很多不同的人的的特征在很大程度上是高度重叠的，因此弱ranker就显得效果不好，rankSVM试图在更高的维度寻找rank function，来解决person reID问题中低维度高度重叠的人的特征的问题。

rankSVM的总体思想如下面几个式子所示：

但是rankSVM的方法也面临着计算量大，内存需求高的问题，比如probe set 和 gallery set的大小都是m，特征维度是3，那么对于每一个probe set里面的img做rank，就是m^{2，一共是m}3*d的空间复杂度。
primal RankSVM (PRSVM)这种方法的提出，减少了计算开销，但是内存使用大的问题仍然存在，作者提出的Ensemble RankSVM的方法一方面减少了内存开销，另一方面解决了之前式子中提到的要tuning 参数C的问题。

主要思想

用一系列的弱ranker组成强ranker：

作者把training set 分成n组，没有重叠。然后一共有s个权重系数C作为候选，每一组，每个C，训练一个ranker。所以一共是n*s个弱ranker。
这里的每一组按下面的方法选取：

Zi是之前的不重叠的分组，Oi是在剩下的数据中随机找的和Zi大小一样的数据。