前言：該博客較爲適合剛開始從事REID研究的同學，從頭介紹了什麼是REID，REID的應用價值是什麼，並且介紹了一個Baseline，通過這篇博客你應該對REID有了一個大致的瞭解，避免了很多的彎路。
1、什麼是REID？對於行人和車輛重識別可能稱之爲跨境重識別更容易理解一些，即在不同的鏡頭下，識別同一個個體，實現某一個個體的再次識別。聽起來像是多分類，但是其本質是檢索，而不是分類，後續會提到他們之間的區別。
2、REID的應用之一就是進行人軌跡的追蹤和串聯，比如在某個區域通過不同攝像頭對同一個人的識別，我們可以知道這個人行走的軌跡以及在某個地方停留的時長等等，這些對於抓罪犯，分析客戶行爲等有者很重要的意義。
3、互聯網新零售是最先應用REID技術的地方，比如在京東的7fresh裏面就有很多的攝像頭，不僅僅是監控攝像頭，更多的是進行用戶行爲的分析，分析用戶對商品的喜愛程度和軌跡，從而可以進行擺品、用戶智能推薦等等，有了數據什麼就都好辦了。
4、這裏列數了幾個數據集，包括行人數據集和車輛數據集，都是paper中常用到的標準數據集。
5、這是一個分類任務，可以看到最終的結果爲類別概率，那麼對比下述的檢索任務，就可以很容易看到他們之間的區別，一個要概率輸出，一個要向量輸出，做檢索使用，這就是兩者之間的本質區別，新手特別要注意。
6、實現REID的方式多種多樣，本質就是要一個向量，很多種方式可以得到，比如自編碼器，還有分類網絡的中間層輸出，這都可以的。
7、但是對於上述的模型，其得到的向量表徵不是很好，我們想得到的特徵是相同個體之間的向量很相近，不同的很遠。因此最近幾年的研究一般都會使用 triplet loss，也就是在原有的分類基礎上加上 triplet loss 分支，這樣就會使得訓練出來的向量表徵更好一些，具體triplet loss 的定義在下一個slide。
8、Triplet Loss的定義
9、由於數據集中有很多相似的圖像，比如兩輛車是一樣的顏色一樣的型號，但是不是同一個車，後續有很多的方式去解決這個問題，有興趣的話後續還會繼續放出來，這裏只是先做一個baseline。
10、通過對模型的訓練可以發現，模型不是隨便學習的，是可以注意到和人注意到類似的特徵的。
資料NOTE: 完整的PDF已經上傳至CSDN，REID-PDF下載地址