改进思路：
1、采用多任务增强特征表达，例如一个分支基于softmax loss做分类，另一个分支基于triplet loss做 reid。例如如图基于epnet网络做多属性分支：颜色和车型分类器；triplet loss 为另外分支。key point :分支融合：乘积、减、拼接concat（大量使用）
2、重要idea: 凡是用了deep ranking 、triple loss，一定要注意：不要重头训练，通常需要训练基本CNN 网络，例如先训练多任务学习网络(例如车型、颜色)，然后再加入triple loss，有利于提高精度，否则不容易收敛。
3、如何进行正、负样本采样，要点：hard negtive ，例如采样同一个颜色、同一个车型，但是不同车牌号码的图片，让网络去学习同款同色不同牌（吊坠、纸巾盒等区别）
4、如何进一步提升，attention 重要信息，例如年检标志排列 ，可训练一个faster rcnn检测器检测出目标，然后再用孪生神经网络提特征比对，判断标志是不是同一个标志。
5、triple loss 理解。
其他1、样本不平衡：batchwise sampleing 样本不平衡、权重惩罚。
其他2、常见提特征方法：局部相似索引，精排，Vgg提取、自编码提取
其他3、解决输入纬度不同的问题：全卷积、resize、全局平均池化
其他4、centercrop (短边缩放到目标，长边按比例)，cenrrop 改进：随机crop
相关不错博文：