读论文：Relation Preserving Triplet Mining for Stabilizing the Triplet Loss in Vehicle Reid

物体的外观由于角度的变换是经常变化的，作者也和我一样考虑到了车辆重识别里面的角度问题
看完全文：知道了两个知识点：

1. UMPA projection 类似于 t-SNE 是一种降维技术 ，并且是 t-SNE 的升级
2. 作者使用了GMS 进行数据关系挖掘 GMS 是一种特征匹配算法

作者的改进就是 对三元组挖掘策略进行改进，在选取三元组样本的构成上进行了改进
作者提出一种特征指导的三元组挖掘策略
作者认为原始的三元组挖掘策略是 ill-conditioned 因为没有考虑到自然的分组
在介绍创新点这一部分，也就是第四章，作者与 hard-negative mining 和 semi-hard negative mining 进行了对比。
作者认为让同一个 ID 的车辆的 front 和 rear 构成一个正样本对是反直觉的 ？？？？？
个人认为不存在问题，因为神经网络的思考方式真的和人一样吗？ 同时记忆车的 front 和 rear 个人认为不存在问题。
这是一篇 21年10月份的文章，非常的新，作者说 G

读论文：Relation Preserving Triplet Mining for Stabilizing the Triplet Loss in Vehicle Reid最先出现在Python成神之路。