基于深度学习的Person Re-ID（特征提取）

一. CNN特征提取

       通过上一篇文章的学习，我们已经知道，我们训练的目的在于寻找一种特征映射方法，使得映射后的特征 “类内距离最小，类间距离最大”，这种特征映射 可以看作是 空间投影，选择一组基，得到基于这组基的特征变换，与 PCA 有点像。

       这一篇我们讲的就是基于 CNN的特征提取，特征提取过程也就是训练过程，训练结果就是 CNN 的参数。

       以 Triplet Function 为例，对于 一个输入图像三元组 Trip<I, +,I->，通过一个共享参数的网络进行训练，通过下图可以看到，三个图像 <I, +,I-> 分别得到了一个特征空间，这个特征空间只要满足 前面提到的距离度量函数（后面的Distance Cost），那么训练就算完成了。

       这里面有几个关键点：

• 提取全局特征与局部特征结合，可以学到更能描述行人的特征；
• CNN采用共享权值方式进行特征提取；
• Distance Cost 作为Loss函数驱动 CNN特征参数调整；

        

二. 训练过程

       还是通过 Loss 函数来看训练过程（每N个Trip样本训练一次）：