如有錯誤，請多多指教！
在reid中常見的loss有identity loss、verification loss、triplet loss
把reid問題看做是乙個影象分類問題，每乙個id都是乙個類。
計算公式：
n：每個batch訓練的樣本數
p( yi | xi )： 輸入影象xi和其類別標籤yi，經過softmax分類，xi被識別為yi類的**概率，用p( xi | yi )表示。
公式解釋：
batch個輸入影象，經過softmax分類後能分到正確類的**概率，將該概率取log，求和後再除以樣本總數。
verification loss可以度量兩個樣本之間的關係,其結構圖如上圖所示。輸入為一對(兩張)，這兩張可以為同一行人，也可以為不同行人。每一對訓練都有乙個標籤(same/not)，其中表示兩張屬於同乙個行人(正樣本對)，反之表示它們屬於不同行人(負樣本對)。
先介紹對比損失（contrastive loss）：
dij：表示兩個輸入樣本xi和xj的嵌入特徵之間的歐氏距離。
δij；s二進位制標籤指示器(當xi和xj屬於同一標識時，δij=1，否則)。
ρ： 是邊距引數，是乙個超參。
驗證網路將差分特徵分為正或負。 一般情況下，通過fij=(fi-fj)^2得到差分特徵fij，其中fi和fj是兩個樣本xi和xj的嵌入特徵。 我們使用p(δij | fij )表示輸入對(xi和xj)被識別為δij（0或1)的概率。所以帶有的cross-entropy 的verification loss表示如下：
verification loss 與identity loss結合得到不錯的效果。
3. triplet loss
re-id模型訓練過程可視為乙個檢索排序問題。如圖所示， 其基本思想是，通過預定義的邊緣（margin），正對之間的距離應該小於負對樣本之間的距離。triplet loss 包含乙個anchor sample，乙個 positive sample（與anchor sample為同乙個id），還有乙個 negative sample。
di,j di,k :分別表示anchor sample 分別與positive sample、negative sample的歐式距離。
ρ： 是邊距引數，是乙個超參。
行人重識別RE ID 瑣碎知識點總結
1.single shot 和muti shot 前者是指gallery中每個人的影象為一張 n 1 而後者是指gallery中每個人的影象為n 1張影象，同樣的rank 1下，一般n越大，得到的識別率越高。2.gallery probe和cmc gallery是候選行人庫，probe是待查詢輸入，...
阿里行人重識別 ReID 演算法效果取得世界第一
近日，阿里巴巴機器智慧型技術實驗室在行人重識別 person re identification 演算法上獲得突破性成果。該技術團隊通過最新演算法，在不使用任何時序資訊的情況下，在行人重識別主流資料庫 market1501，dukemtmc reid和cuhk03 上各項指標均取得第一的好成績，重新...
ReID基礎 行人重識別的一些認識
傳統方法 手工設計特徵 距離度量。這些傳統方法因為依賴手工特徵,不能適應資料量很大的複雜環境，效能也比較低，所以目前基本沒有人用了。深度學習方法 reid在測試的時候的類別與訓練時類別不同，沒有相同的類別 也就是測試的人和訓練的人不是同一批，open set 對抗攻擊 攻擊者可以通過給良性樣本新增特...