近红外跨模态行人重识别（RGB-IR Cross-Modality Re-id）(二)

接着第一篇文章，继续介绍后面的方法

4. Visible Thermal Person Re-Identification via Dual-Constrained Top-Ranking

• 简介：
  本文的作者与之前的HCML的作者为同一人，两种框架基本一致，但本文的损失函数较HCML的损失函数更直观，更易于理解。
  
• 特点:

1. 三元损失函数的构建：
   

• 跨模态的三元损失函数，并同时引入了难例挖掘：
  
• 同模态的样本，拉近其距离：
  

5. HPILN: A feature learning framework for cross-modality personre-identification

• 简介：本文亦从多元损失函数的角度去减小跨模态的损失，结合了上一篇采用的两个三元损失函数，得到了新的五元损失函数。
  
• 特点：

1. 对于数据集采用了目前流行的$P×2K$P×2K的样本输入（P为不同样本数，K为每个样本的个数，由于每个样本存在两种模态，所以是$2K$2K）
2. 采用了结合难例挖掘的五元损失函数，只考虑正负样本，这样考虑较两个三元损失函数相比更加全面。
   
3. 三元损失函数（考虑跨模态的同一样本）：