目录
一、引言
1、在不同的监控检测同一行人，实现行人的监测。
2、文本描述行人特征。根据文本描述寻找行人。
是图像检索问题，检索对象是行人。
标本图像与待查询图像相似度对比，相似度从高到低排名。
怎么找相似度？可以用特征。如目标行人上半身白色，下半身黑色。
或者完善特征，一个穿白色T-shirt短袖，黑色长裤，背红色书包留短发的女人。
所有图像形成特征向量，
训练集与测试集来自同一场景。如都是在冬天同一路口的行人。
挑战：行人近大远小，近图像质量高。
背景不同：有人被车挡住
光照不同：白天黑夜，晴雨天
不同角度：正侧面、有高有低
第一个问题没记下来
域（domain）自适应问题，训练集与测试集在不同的场景之中。
如何经过少量训练，实现精度的大幅提升？
上面四个挑战再加两个穿衣不一样、人种不一样。
无监督行人识别问题，没有准确标记数据。
域泛化行人识别问题
网络多目标跟踪MOT问题
关键：物体检测、人物特征处理、同一人匹配
部分人部分时间被挡住了，实时系统。（要快）
一个人每时每刻的追踪：多目标多摄像头匹配问题。
二、深度学习基本概念
有监督问题（分类、回归）
无监督学习（聚类、数据降维）
人工神经网络：输入层、隐含层、输出层
DNN CNN 迁移学习
三、损失函数
Cross-entropy loss
Triplet Loss
后面听不懂了，想象不出具体的模型。
Part-based Convolutional Baseline PCB RPP
SPGAN
