更全面的閱讀記錄可以參考這篇博客：https://blog.csdn.net/xuluohongshang/article/details/78965580
背景描述
提出了一個三元損失的變形用於行人再認證。
近期較爲成功的行人再認證方法一般使用分類損失結合驗證損失。先使用分類損失訓練，然後使用網絡的一部分進行特徵提取，結合度量學習獲得最終的特徵描述。存在問題：分類損失在id數量增加是，需要學習的參數增加，但訓練後又不需要了。使用驗證損失訓練的網絡又僅僅回答了“兩張圖像是如何的像的問題”。
三元組損失並不流行的原因是，它的結果並不理想。三元組損失學習的關鍵部分是困難三元組的挖掘，但是挖掘困難的三元組耗時嚴重，且不好定義好的困難三元組。更糟糕的是，選擇太困難的三元組易導致訓練不穩定。
三元組損失首先在FaceNet中提出，即，
主要問題是當數據集變大時，可能的三元組增加太多，訓練時間長的不切實際。此時，挖掘困難的三元組就較爲重要。舉了個例子，一遍一遍的去學習穿不同衣服的是不同的人，模型沒有學到什麼東西，但是通過觀察長得像的兩個人（困難負樣本），或者觀察同一個人在不同環境下的不同姿態（困難正樣本）可以有效的幫助學習。但是僅僅關注困難三元組又會選擇到outliers。
三元組損失的改進
論文提出了一個三元組選擇方式的改進方法，主要思想是通過隨機選擇P類（行人id），酶類隨機選擇K個圖像，形成包含PK個圖像的batch。在batch中選擇困難的正樣本和負樣本，成爲batch hard：
除了batch hard，還有包含所有可能三元組的batch all：
max和min函數都是連續且可導的，可以使用sgd訓練。
還有一種lifted embedding 損失，將所有的anchor-positive之外的考慮爲負樣本：
論文又在PK batch中，將lifted embedding 損失改成如下形式：
距離度量
大部分的工作中，將平方歐拉距離作爲度量，作者通過實驗發現這種度量更容易collapsing，使用真實的歐拉距離更穩定。
soft-margin
之前的很多三元組損失都使用hinge函數
實驗結果
