re-id

1. Triplet loss(三胞胎损失)，更适合用在图像识别的问题上面

但是他的缺点是：不好训练

详见链接：https://www.zhihu.com/question/62486208

1. 图像检索：BoF、VLAD、FV三剑客(这些都是传统的非深度学习的方法)，可以参考链接：https://yongyuan.name/blog/CBIR-BoF-VLAD-FV.html
2. Bow的作用只是用在使用传统算法提取图像特征的领域。Bag of words模型（简称BOW）是最常用的特征描述的方法了。在图像分类和检索的相关问题中，能够将一系列数目不定的局部特征聚合为一个固定长度的特征矢量，从而使不同图像之间能够进行直接比较。

可以参考这个链接：https://blog.csdn.net/jwh_bupt/article/details/17540561

1. CUHK03：取自5个不同的视角对，共1467个行人的14000多张图像。这个属于re-id的数据集。可以参考链接：https://blog.csdn.net/yuanchheneducn/article/details/53437005
2. 模型算力的计算，可以参考链接：https://blog.csdn.net/u011501388/article/details/81061024
3. 行人再识别(re-id)的网络的训练是带有标签的提取特征的网络。用于构建数据库(gallery)的数据(也就是相当于是测试集数据)是没有标签的数据。因为在使用的时候是很难拿到这个数据的标签的，所以使用re-id的方法进行构建。

二．Cvpr2018

       21主要讲的是消除背景对re-id的影响，与 query 图片有相似背景但不同行人的图片排在 rank 6，而同一行人不同背景的图片却排在 rank 25。为了消除背景的干扰，提出了一个网络，由此还产生出来一个新的数据增广的方法：对背景进行随机化。

       22已经被pass里面讲的是同一个人，如果在一个摄像头里面检测不出来，就是用在相近距离的地方的别的摄像头采集到的图像，将他们弄成一个视频，然后再检测，不适用于咱们的场景。

       23应该也是多为感知的(没有细看)

       24将强化学习引入进来，对于判断对的进行奖励，判断错的进行惩罚，对于不确定的也进行的，进行一些参数的反馈。

三．神经网络的细节

       1.    假如对于yolo网络，训练的时候就有loss的，也就是训练集的数据是有标签的。但是测试集是没有标签的。Softmax的作用是输出一个置信度或者说是输出的为一个概率。后续对于属于什么类别，是自己写的一些if else的筛选。对于得分高的给它进行归类，对于得分低的进行pass，就是任何一个图像(还是图像的网格)都会出来一个向量

       2.   

四．经验

       1.对于anchor大小的选择，可以在训练之前，对训练集(因为训练集有标签)的boundingbox进行聚类(比如knn算法或者kmeans)，也就是选取被标注图像的bbox进行聚类，查看原始标注的bbox的大小，再进行对于自己神经网络里面的anchor大小的选择。比如yolo里面的anchor(先验框)大小的选择。详细的解析可以参考这个链接：https://blog.csdn.net/Pattorio/article/details/80095511