triplet loss总结

1. In Defense of the Triplet Loss for Person Re-Identification
   贡献：batch hard mining + soft margin triplet loss
   实验在Market-1501 and MARS datasets上进行。
   
   
   一个batch选择P个人，每个人选择K张图片
   

2. **S. Khamis, C.-H. Kuo, V. K. Singh, V. D. Shet, and L. S.
   Davis. Joint Learning for Attribute-Consistent Person Re-
   Identification. In ECCV, 2014**
   基于外表匹配和基于语义属性分类的联合优化方法。

3. **S. Ding, L. Lin, G. Wang, and H. Chao. Deep feature
   learning with relative distance comparison for person re-identification. Pattern Recognition, 48(10):2993–3003**
   原始triplet loss, 简单网络结构，合理的triplet 产生
   

4. S. Paisitkriangkrai, C. Shen, and A. van den Hengel. Learning to rank in person re-identification with metric ensembles. In CVPR, 2015.
   传统方法，基于几个低级特征+高级特征，不同于一般的提前设置权重的距离融合方法，本文通过学习的方法获得。
   两种优化方法，以达到两个目的：（1）选择一个最小的k，使得top-k尽快达到1；
   （2）使得top-1到top-k的平均值最大。
   实验：ilids(50%) viper(46%) chuk01（53%), cuhk03(63%)
   值得学习的一个方法，可是我看的不太懂。

5. D. Cheng, Y. Gong, S. Zhou, J.Wang, and N. Zheng. Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function. In CVPR, 2016.
   (1)提出一个多通道的同时基于body+parts的cnn
   (2)一个改进的triplet loss
   
   
   i-LIDS（60.4）, VIPeR（47.8）, PRID2011（22.0） and CUHK01（53.7）

6. **F. Wang, W. Zuo, L. Lin, D. Zhang, and L. Zhang. Joint
   Learning of Single-image and Cross-image epresentations
   for Person Re-identification. In CVPR, 2016.**
   之前的链接突然找不到了，我下载的放到了百度网盘：
   链接：http://pan.baidu.com/s/1o7HcixW 密码：g8xr
   （1）提出将Single-image表示和cross-image表示结合起来。
   （2）提出两种模式：
   
   
   Pairwise Comparison Formulation:
   
   
   
   h_{i,j}=1/-1
   Triplet Comparison Formulation
   
   
   

预测：

两种方式的组合：

7. H. Shi, Y. Yang, X. Zhu, S. Liao, Z. Lei,W. Zheng, and S. Z. Li. Embedding Deep Metric for Person Re-identification: A Study Against Large Variations. In ECCV, 2016.
source code:http://www.cbsr.ia.ac.cn/users/hailinshi.
（1）针对大的类内变化，提出一个权重约束的对照损失函数：

（2）提出中等难度正样本挖掘
（3）网络架构（后跟对照损失函数层）

（4）cuhk03(labled 61.32%, detected 52.09%)
cuhk01(86.59)
viper(40.91)
8. C. Su, S. Zhang, J. Xing, W. Gao, and Q. Tian. Deep Attributes Driven Multi-camera Person Re-identification. In ECCV, 2016.
基于属性的re-id，半监督
9. J. Liu, Z.-J. Zha, Q. Tian, D. Liu, T. Yao, Q. Ling, and T. Mei. Multi-Scale Triplet CNN for Person Re-Identification. 2016.
（1）提出一个多尺度的CNN. 三个尺度 1,1/2,1/4, 深层加浅层网络

（2）一个新的triplet loss （compariative similarity loss），本质上和传统的没什么区别，只是把距离差换成距离的比

（3）仅在market1501上进行了实验（single query45.1%, multi query 55.4%）
10. W. Chen, X. Chen, J. Zhang, and K. Huang. A Multi-task Deep Network for Person Re-identification. arXiv preprint arXiv:1607.05369, 2016.
本文的贡献：（1）Multi-task。 将二值分类任务和triplet rank任务合在一起训练。(MTDnet）
（2）提出跨域结构（siamese）进行微调。
（3）CUHK03, CUHK01, VIPeR, iLIDS
and PRID2011



MTDnet-cross：the crossdomain architecture
MTDnet：the original multitask network
MTDnet-aug：把源数据直接和目标数据直接合并，用于目标数据训练.
Cls ：基于the classification loss,
Rnk ： 基于 the ranking loss