1 ReID网络：MGN网络 - 概述( 二 ) _特征

(2) 度量方法
度量学习不同于前述的表征学习，度量学习旨在学习两幅图像的相似度。度量学习的依据是同一行人的不同图片的相似度大于不通行人的不同图片，同理，前者的Loss需要小于后者的Loss 。
图二度量学习
在训练过程中，网络输入为两张图片（和、和）或三张图片(、、)，前者计算析出特征向量的欧氏距离(或其他特征向量损失)，后者一般使用损失。
(3) 局部方法
局部特征是相对于整体特征而言的。在一些训练网络中，会提取某一行人的全局特征，用来计算Loss 。基于局部特征的学习方法大致分为三种思路，分别是基于局部调整的方法、基于特征点检测的方法和基于局部导入判别的方法(PCB) 。如图三为基础的局部特征方法。
图三局部特征ReID网络
a. 基于局部调整的方法

文章插图
该方法是将行人划分为几个等分不分，同时输入到网络中进行训练。
b. 基于特征点检测的方法
基于特征点检测的方法又叫基于姿态估计的局部调整方法。即首先通过特征点估计方法检测出特征点，然后根据已知知识进行学习，如头部与头部比较，手部与手部比较。
c. 基于局部导入的方法(PCB)
该方法类似于基于局部调整的方法，不同的是，前者是同时输入网络，后者是以此导入网络进行学习。
(4) 多粒度
多粒度学习方法类似于局部方法，不同的是，多粒度是将全局特征以及不同粒度的局部信息同时学习，最后整合到一起，以此来学习一个能够提取丰富信息和细节的网络。
5. MGN
MGN网络(多粒度网络)在云从科技的论文“with”中被提出。其核心思想是，不仅提取整张图像的特征，同时还将图像划分为不同粒度进行特征的提取，最后将完整图像的特征与不同粒度图像特征进行融合。
MGN网络的采用了，但从之后产生不同粒度的的学习分支。
MGN网络的Loss采用了交叉熵损失(CE)和损失。
接下来我们将从、数据预处理、Loss计算等角度做详细解读。
参考：
(1) 行人重识别( re-)概述 - 知乎
(2)
(3)
(4)各种损失
【1ReID网络：MGN网络 - 概述】(5)