基于深度学习的Person Re-ID（度量学习）
距离度量学习（DML）被认为是一种有效的特征表示方法。对于从事计算机视觉和模式识别领域的研究者而言，这一概念是一个基础且重要的工具。该方法由Eric Xing于2002年在NIPS会议上首次提出并正式发表。
距离度量学习（DML）被认为是一种有效的特征表示方法。对于从事计算机视觉和模式识别领域的研究者而言，这一概念是一个基础且重要的工具。该方法由Eric Xing于2002年在NIPS会议上首次提出并正式发表。
这不是个新词。说白了就是：度量学习是通过对原始特征进行变换来构建特征子空间；通过应用度量学习方法可以让相似的目标彼此之间更接近（PULL），而不同目标之间的距离则会更加遥远（push）。简单来说就是要提取出事物的核心属性作为共同点与独特点：例如，在区分两个人时：两只眼睛和一个鼻子是共性的关键属性；而柳叶弯眉和樱桃口则是独特的个人标记。
将度量学习划分为两类,一类是基于不同监督学习的方法,另一类则是基于非监督学习的技术
一. 监督学习
1）LDA Fisher线性判别
2）Local LDA
Local Linear Discriminative Analysis
3）RCA 相关成分分析
Relevant Component Analysis
4）LPP 局部保留投影
Locality Preserving Projection
5）LMNN 大间隔最近邻
Large-Margin Nearest Neighbors
6）LLE 局部线性嵌入
Locally linear embedding
监督学习的方法应用比较多，包括上一节我们讲到的 基于CNN的特征提取都属于监督学习的范畴。
二. 非监督学习
从严格的定义上讲, unsupervised dimensionality reduction techniques（主要是指降维方法）并不被视为真正的度量 learning, 并且我们将其列举出来以便于读者记忆:
- 主分量分析(Principal Component Analysis, PCA)
- 多元尺度变换(Multivariate Scaling, MDS)
- 独立分量分析(Independent Component Analysis, ICA)
- 拉普拉斯特征映射(Laplacian Eigenmaps)
好的？就到这里为止吧？至于剩下的内容，则需要大家深入学习每个方法，并在此基础上提出新的解决办法。