作者將reid任務按照最終測度方法的不同，分成了兩類：即按照距離loss訓練方法的SIR（single-image representation）和按照對比loss訓練網絡的CIR（cross-image representation），作者提出了一種卷積神經網絡框架，可以將兩類方法整合到一個框架裏，進行聯合訓練，最終以得分和閾值設置的形式應用訓練好的模型。這樣可以提升匹配率的直覺上的原因：
SIR特徵可以提前被預處理提取得到，僅僅需要做距離或相似度的計算來匹配圖像，匹配效率更好
CIR方法可以更有效的建模probe和gallery之間的關係，本質也是學習一種度量矩陣，但特徵提取過程，對空間位移和視角變化更具魯棒性。
因此，在不增加太大計算代價的情況下，作者考慮結合SIR和CIR可能會得到更好的綜合性能表現。
以二元組圖像對輸入爲例，框架如下：
具體的模型結構設置：
The Pairwise model combine with SIR+CIR
框架介紹：
如圖，以二元組圖像對輸入爲例，SIR子網絡和CIR網絡共享一個基本的卷積特徵提取，以降低計算代價，SIR子網絡從每個圖片的每個特徵圖中提取特徵表達描述子，而CIR本質上還是從每兩幅圖像的兩個特徵圖中提取整合的特徵表達，採用SIR對應的距離loss和CIR對應由標準二分類SVM拓展而來的二元組分類loss來分別指導學習SIR子網絡和CIR子網絡參數，採用由這兩loss加權的整體loss來訓練得到包括共享卷積部分的整個網絡的參數。
Pairwise Comparison Formulation
包括：z爲提取到的特徵向量， ξ爲類似SVM中用的鬆弛變量，L爲loss，b，α，和η都是trade-off參數，需要交叉驗證法設置合適的經驗參數。
作者尋找了SIR和CIR之間的聯繫，推導如下：
基於SIR的歐式距離計算可以被視爲CIR分類得分計算的特例，而還有像reid中常用的馬氏距離，聯合貝葉斯和LADF等距離或相似度度量方法也可以被視爲CIR分類得分計算的特例。我們可以通過得分與閾值的比較，比較兩圖像否爲同一ID。
CIR分類得分計算，公式：
f代表單圖像輸入提取特徵的卷積網絡，x爲圖像，g爲圖像對輸入的特徵提取網絡，s爲應用網絡得到的特徵比對得分，w和b爲分類器參數，類似於SVM中的w，b。
歐式距離：L2範數距離得分
馬氏距離：度量學習M矩陣，學習M就類似於學習w
聯合貝葉斯的概率測度得分計算：實質是更一般化的馬氏距離
LADF：
然後，作者拓展了框架，得到整合的三元組輸入的結構The triplet model combine with SIR+CIR
Triplet Comparison Formulation
實驗
應用訓練的模型，計算得分，依據：
即作者設計了三種計算得分來做匹配實驗：
1.The pairwise model combine with SIR+CIR：Score1
2.The triplet model combine with SIR+CIR：Score2
3.用兩個被訓練的模型的融合：Score3=Score1+µScore2
在cuhk03上的實驗對比：
另外，作者在cuhk01，cuhk03及VIPer上和現有一些的方法做了實驗對比，有明顯的效果提升。
