基于深度学习的Person Re-ID（度量学习）

       度量学习 是指 距离度量学习，Distance Metric Learning，简称为 DML，做过人脸识别的童鞋想必对这个概念不陌生，度量学习是Eric Xing在NIPS 2002提出。

       这并不是个新词，说的直白一点，metric learning 是通过特征变换得到特征子空间，通过使用度量学习，让类似的目标距离更近（PULL），不同的目标距离更远（push），也就是说，度量学习需要得到目标的某些核心特征（特点），比如区分两个人，2只眼睛1个鼻子－这是共性，柳叶弯眉樱桃口－这是特点。

       我们可以把 度量学习分为两种，一种是基于监督学习的，另外一种是基于非监督学习的。

一. 监督学习

1）LDA Fisher线性判别

2）Local LDA

      Local Linear Discriminative Analysis

3）RCA 相关成分分析

     Relevant Component Analysis

4）LPP 局部保留投影

     Locality Preserving Projection

5）LMNN 大间隔最近邻

     Large-Margin Nearest Neighbors

6）LLE 局部线性嵌入

    Locally linear embedding

监督学习的方法应用比较多，包括上一节我们讲到的 基于CNN的特征提取都属于监督学习的范畴。

二. 非监督学习

       严格说来，非监督的度量学习（主要是指降维方法）不算真正的度量学习，我们也把他们列出来，方便读者记忆：

1）主成分分析(Pricipal Components Analysis, PCA)

2）多维尺度变换(Multi-dimensional Scaling, MDS)

3）独立成分分析(Independent components analysis, ICA)

4）拉普拉斯特征映射（Laplacian Eigenmaps）

       ok，就讲到这里，剩下的需要大家具体了解每一个方法，然后提出自己的新方法！