tecsai的博客

在实际使用MGN时，是将网络尾部的特征进行导出，并进行相关的相似性度量。MGN原始输出维度为2048(258*8)维，为后续相似度计算增添了不小的压力。本文提供了一些思路。

MGN采用三元损失(Triplet Loss)。三元损失主要用于ReID算法，目的是帮助网络学习到一个好的Embedding信息。之所以称之为三元损失，主要原因在于在训练中，参与计算Loss的分别有Anchor、Positive和Negative三方

MGN使用Market1501作为训练和验证数据集。由于其使用了Triplet Loss，因此在采样训练数据的时候具有一定特殊的操作方式。

MGN网络使用ResNet50((Before res_conv4_2) )作为Backbone进行特征的析取。为了实现多粒度(Multiple Granularities)，MGN从ResNet50的网络的尾部开始，将后续网络划分为3个分支，对应三个不同的粒度。

行人重识别（Person Re-identification也称行人再识别，简称为ReID，是利用计算机视觉技术，通过提取在匹配特征，依次判断图像或者视频序列中是否存在特定行人的技术。简单点讲，就是跨摄像头、跨区域实现行人的匹配。ReID被广泛的认为是一个图像检索的子问题。给定一个图像输入点的视频所检索到的行人，在其他视频采集点所采集的视频中检索出现过的人。从另一个角度讲，ReID常被用来作为人脸检测识别的补充。在一些无法获得高质量人脸图像的场合，整体的人体外观信息就被用来作为检索的依据。