相当于是一种强力有效的训练Re-ID的方式，基于全局特征，不需要多分支网络。
主要训练如下：
-
我们使用ImageNet下训练的参数来初始化ResNet50，将全连接参数改为N。N表示训练数据集中目标的个数。
-
我们随机抽取P个对象，每个对象K张图来构成训练batch。最终的Batchsize为B=P×K。本文中，我们设置P=16，K=4。
-
将每张样本resize成256×128像素大小，并pad10个像素0。随机crop成256×128矩形样本。
-
样本以0.5的概率进行随机翻转。
-
样本为值域范围为【0,1】之间的32位浮点数。RGB通道减去均值0.485,0.456,0.406，并分别处以0.229,0.224,0.225。
-
模型输出ReID特征f与ID预测值logp。 ReID特征f用于计算triplet loss。ID预测值logp
-
用于计算交叉熵损失函数。Triplet loss的权重设置为0.3。
-
Adam用于进行模型优化。初始化学习权重设置为0.00035并分别在第40次与70次epoch时下降0.1。整体训练120个epochs。
Big Tricks：
- 实际上是在特征层或者是全连接层后面增加了BN层，文章也详细的说明了正则化对整体特征约束的优点。
- 使用了Center Loss，效果好于Triple Loss和ID Loss的联合
- 对数据使用随机擦除数据增强，提高模型的泛化能力
- 调整后学习率
- 使用平滑标签
最后试验表明，在Market-1501上rank1高达94%以上。