轉自：https://blog.csdn.net/linolzhang/article/details/71075756
1. Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function CVPR 2016
a）Multi-Channel Parts-Based CNN
多通道的 CNN，比較容易理解，一是 Global，通過Crop的全圖做CNN；二是 Parts Model，將圖像水平分割成多個部分，本文是分割成了4個部分，最後5部分通過全連接形成N維特徵。
b）Improved Triplet Loss
Triplet 相信都不陌生，在 FaceNet 中提出，通過構造一個 三元組 <I，I+，I-> 進行樣本訓練，來驅動CNN網絡的改進。
訓練過程
採用隨機梯度下降法 （SGD） 進行訓練，對上面的 Loss函數求導數
2. An Enhanced Deep Feature Representation for Person Re-identification CVPR 2016
a）基於ELF 擴展了新的組合特徵 ELF16；
使用color histogram features（顏色直方圖特徵：RGB，HSV，YCbCr，Lab 和 YIQ）和 texture feature（紋理特徵：multi-scale and multi-orientation Gabor features），這個特徵更具有區分性和緊湊性。
b）將上面的手選特徵與CNN結合，提出 Fusion Feature Net（FFN）；
作者是想通過 手動特徵（Hand-crafted）與CNN提取特徵互補，實現比 單純的 CNN 或者 單純的 手動特徵 更高的目標區分度。
3. Top-push Video-based Person Re-identification CVPR 2016
a）引入Pooling Color&LBP，HOG3D進行時序特徵描述，非作者原創；
HOG3D比較早了，在行爲識別中用的比較多，可以參考：
http://lear.inrialpes.fr/people/klaeser/research_hog3d
b）通過對 文獻【15】- 點擊下載 擴展，提出 TDL方法，即 Top-push distance learning model；
TDL方法是一種空間映射，目的在於 減小類內（intra）距離，增加類間（inter）距離，提高目標的可區分度
【行人識別】https://blog.csdn.net/shenxiaolu1984/article/details/53607268