行人重识别（Person re-identification）被广泛认为是一个图像检索的子问题，给定一个监控行人图像检索跨设备下的该行人图像、
特征提取：学习能够应对在不同摄像头下行人变化的特征；
度量学习：将学习到的特征映射到新的空间使相同的人更近不同的人更远
图像检索：根据图片特征之间的距离进行排序，返回检索结果
数据集中：训练、测试中人物身份不重复
数据集分为单帧（每张图片各有一个ID），序列（多张图片为一个序列）
表征学习：把行人重识别人物当作分类问题或者验证问题
度量学习：在行人重识别上，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：
分类损失和验证损失
度量学习：
学习出两张图像的相似性
定义一个映射网络，对距离进行度量，设计一个度量损失，获得最小的度量损失，使得相同行人两张图片距离尽可能小，不同行人图片距离尽可能大，用到了聚类的思想。
对比损失（Contrastive loss）：
每次输入一对图片，进入同一个CNN网络，分别提出一个特征，计算距离之后，拉近正样本对(y=1)间距离趋于0，推开负样本对(y=0)间距离大于α。
度量学习训练比较随机，需要一定的训练经验
度量学习的分布式训练不太成熟，通常需要自己实现部分代码
QQ截图20210415123540.jpg
表征学习，对特征进行处理，可以规划到一个球面上；可以算cos距离，夹角与半径无关
度量学习，聚类，算特征值直接计算距离就可以了
