基于度量学习的ReID方法
度量学习（Metric learning）是广泛用于图像检索领域的一种方法。不同于表征学习，度量学习是希望通过网络学习到两张图片的相似度。在行人重识别问题上，具体为一行人的不同图片的相似度大于不同行人的不同图片。最后的网络的损失函数使得相同行人图片（正样本对）的距离尽可能小，不同行人图片（负样本对）的距离尽可能大。常用的度量学习损失方法有对比损失（Contrastive loss）三元组损失（Triplet loss）,四元组损失（Quadruplet loss）、难样本采样三元组损失（TriHard loss）、边界挖掘损失（Margin sample mining loss MSML）。
实现度量学习的代码可以有一下几个部分：
- sample.py: 采样P*K batch的迭代器
- loss.py: TriHard损失函数代码
- train_trihard.py：主文件，包含训练测试等代码
Sample.py
- TriHard loss的核心思想是：对于每一个训练batch，挑选P个ID的行人，每个行人随机挑选K张不同的图片，即一个batch含有P*K张图片。之后对于batch中的每一张图片a，我们可以挑选一个最难的正样本和一个最难的负样本和a组成一个三元组。首先我们定义和a相同ID的图片集为A，剩下不同ID的图片集为B，则TriHard损失表示为：