Deep Ranking for Person Re-identification via Joint Representation Learning

简介

本文提出了一个统一的framework，同时最大化特征和Metric的优势。其实这并不是新的思想，然而作者的创新在于：
（1）强调Joint representation，将两张Images拼成一张输入，force网络学习判别特征，并在后面的实验中验证这种联合表示的优势；
（2）不同于以往的得到的是单张图片的feature，测试需要求probe 和gallery 间的Euclidean 和cosine，他们输出的直接是图片间的相似度；
（3）本文的最大创新，应当是提出了一个learning-to-rank的算法，如果正匹配排在了最前面则不产生loss，排的越靠后loss越大。若rank unit中，只有一个负sample的话，本质上就成为了传统的triplet loss。作者最后实验中采用了1:2的正负比例进行训练。
（4）本文的看点：
a.采用了Alexnet的网络架构，对于该网络架构的分析值得一看（如：max-pooling增强对小变化的鲁棒性，pooling后的LRN帮助产生对光照和对比度鲁棒的特征；Dropout减少过拟合）；
Alexnet:
http://blog.csdn.net/sunbaigui/article/details/39938097
b.实验分析：一方面和state-of-art methods, cnn-based比，还评估了在open-world和across datasets的性能；另一方面是自我分析。
##笔记
E:\CSDN\joint_rank