一、回顧之前看多的一篇論文 《A Discriminatively Learned CNN Embedding for Person Re-identification》

二、看了一篇新的論文 《End-to-End Comparative Attention Networks for Person Re-identification》 （1）image-based，proposed end-to-end CAN framework （2）將人的再識別問題歸結為：視覺注意發現和排序優化 （3） truncated CNN:for global discriminative feature learning CAN

：有效的特徵表示，產生識別性的視覺注意區域 （4）muti_task loss: triplet loss + identification loss 創新點： a novel visual attention model: formulated as : a triplet recurrent neural network which takes several glimpse of triplet images of persons and dynamically generates comparative attention location maps

the model is able to focus on different parts of the person at different time steps

三、Attention mechanism （1）Attention機制的本質思想 將Source中的構成元素想象成是由一系列的資料對<Key,Value>， 給定Target中的某個元素Query， 通過計算Query和各個Key的相似性或者相關性，得到每個Key對應Value的權重係數， 然後對Value進行加權求和，即得到了最終的Attention數值。 所以本質上Attention機制是： 對Source中元素的Value值進行加權求和，而Query和Key用來計算對應Value的權重係數。

（2）Attention的兩個目的： 1）通過結構化的選取輸入的子集，降低資料維

度。 2） “去偽存真”，讓任務處理系統更專注於找到輸入資料中顯著的與當前輸出相關的有用資訊，從而提高輸出的質量。

四、跑《A Discriminatively Learned CNN Embedding for Person Re-identification》原始碼 基於Matconvnet的程式碼，訓練的時候報GPU out of memory錯誤。