读论文：Relation Preserving Triplet Mining for Stabilizing the Triplet Loss in Vehicle Reid

物体的外观由于角度的变换是经常变化的，作者也和我一样考虑到了车辆重识别里面的角度问题

看完全文：知道了两个知识点：

1. UMPA projection 类似于 t-SNE 是一种降维技术 ，并且是 t-SNE 的升级

2. 作者使用了GMS 进行数据关系挖掘 GMS 是一种特征匹配算法

作者的改进就是 对三元组挖掘策略进行改进，在选取三元组样本的构成上进行了改进

作者提出一种特征指导的三元组挖掘策略

作者认为原始的三元组挖掘策略是 ill-conditioned 因为没有考虑到自然的分组

在介绍创新点这一部分，也就是第四章，作者与 hard-negative mining 和 semi-hard negative mining 进行了对比。

作者认为让同一个 ID 的车辆的 front 和 rear 构成一个正样本对是反直觉的 ？？？？？

个人认为不存在问题，因为神经网络的思考方式真的和人一样吗？ 同时记忆车的 front 和 rear 个人认为不存在问题。

这是一篇 21年10月份的文章，非常的新，作者说 GMS 是一个 modern feature matcher 但是 GMS 是17年的顶会论文，不过确实是第一次用到重识别进行一个基于特征一致性的挖掘。

使用 GMS 可以对不同的 positive 样本进行局部块的匹配

 

作者的对比实验，与简单的只使用 resnet50 进行了对比 

作者使用 rerank 涨了7个点？？在veri数据集上