行人重识别——表征学习与度量学习

根据损失分类：表征学习和度量学习
表征学习：没有直接在训练网络的时候考虑图片间的相似度，而把行人重识别任务当做分类问题或者验证问题来看待
度量学习：通过网络学习出两张图片的相似度，在行人重识别问题上，表现为同一行人的不同图片间的相似度大于不同行人的不同图片

表征学习

分类损失&验证损失

分类损失又称id损失：利用行人的id作为训练标签来训练模型，每次只需要输入一张图片
验证损失：输入一对（两张）行人图片，让网络来学习这两张图片是否属于同一行人，等效于二分类问题

（IDE网络是Reid领域开始的一个，相当于hello world）

总结

• 通过构造网络来直接得到鲁棒的Reid特征，不直接学习图片之间的相似性
• 通常需要额外的FC层来辅助特征学习，测试阶段FC层会被丢弃
• ID损失的FC层维度与ID数量一致，当训练集太大时网络巨大，训练很难收敛
• 验证损失测试的时候需要输入一对图片，识别效率很低
• 表征学习通常而言比较稳定，结果容易复现
• 表征学习的分布式训练通常比较成熟</