一. CNN特徵提取

       通過上一篇文章的學習，我們已經知道，我們訓練的目的在於尋找一種特徵對映方法，使得對映後的特徵 “類內距離最小，類間距離最大”，這種特徵對映 可以看作是 空間投影，選擇一組基，得到基於這組基的特徵變換，與 PCA 有點像。

       這一篇我們講的就是基於 CNN的特徵提取，特徵提取過程也就是訓練過程，訓練結果就是 CNN 的引數。

       以 Triplet Function 為例，對於 一個輸入影象三元組 Trip<I, +,I->，通過一個共享引數的網路進行訓練，通過下圖可以看到，三個影象 <I, +,I-> 分別得到了一個特徵空間，這個特徵空間只要滿足 前面提到的距離度量函式（後面的Distance Cost），那麼訓練就算完成了。

       這裡面有幾個關鍵點：

• 提取全域性特徵與區域性特徵結合，可以學到更能描述行人的特徵；
• CNN採用共享權值方式進行特徵提取；
• Distance Cost 作為Loss函式驅動 CNN特徵引數調整；

二. 訓練過程

       還是通過 Loss 函式來看訓練過程（每N個Trip樣本訓練一次）：

       前面已經講過，Loss函式表示兩部分的誤差和，即：

       1） t1表示 I與正樣本的距離 與 I到負樣本的距離的Margin；

       2） t2表示 I與正樣本的距離 小於一個常數；

       下面步入正題，這兩個引數 是否有必要？ok，我們第一步就是去除拍腦袋引數，重新設計 Loss函式為：

       那麼這個函式如何改進呢？ （想幾個idea，哈哈）

三. New Idea

       提出新的思路，如何通過訓練的方法更進一步 對 Loss Func 進行加工，比如：

1）借鑑 Pair-wise 的方法，得到的結果為 負樣本-正樣本的差；

2）或者通過某種換算，將正樣本距離對映為0，這樣就只需要考慮一種距離的Loss；

3）將兩種距離的比值近似為線性函式展開；

       另外，針對卷積部分，有兩個思路可以參考：

1）可以基於上面 Part-Model 進行分塊，分塊的 卷積結果 通過加權來設計，從而提高其中一部分的影響力；

2）通過馬氏距離替換原來的歐式距離，馬氏距離反應了方差，對類比型的距離度量更合適；

       先 Mark 這幾種思路，有想改進演算法的朋友可以多交流！