论文来源：CVPR2018
code: http://vision.cs.duke.edu/DukeMTMC/
Abstract
MTMCT：在从几个摄像头获取的视频中跟踪多个行人。
Re-id：从一系列候选图片中检索与被查询图片相似的行人图片。
本文用cnn，为MTMCT&re-id的任务学习好的特征。
贡献有：
提出了an adaptive weighted triplet loss for training 和 a new technique for hard-identity mining.
实验数据集：DukeMTMC benchmarks for tracking
Market-1501 and DukeMTMC-ReID benchmarks for Re-ID
效果：好
此外，测验了good Re-ID和good MTMCT scores的相关性，并且做了消融研究。
MTMCT旨在决定从多个摄像头采集的视频中的所有帧中每个人的位置。
挑战：长时间的遮挡，以及在不同视场中视点和照明的变化，行人数量未知。
Re-id:Given a snapshot of a person (the query), a Re-ID system retrieves from a database a list of other snapshots of people, usually taken from different cameras and at different times, and ranks them by decreasing similarity to the query.
排序准则：The intent is that any snapshots in the database that are co-identical with (that is, depict the same person as) the person in the query are ranked highly.
二者的区别：
他们的关注点不同：Re-ID ranks distances to a query而MTMCT classifies a pair of images as being co-identical or not
他们的性能也被不同的指标测量:
ranking performance for Re-ID
classification error rates for MTMCT
这种差异似乎表明用于这两个问题的外观特征必须从different loss functions中学习得到。
理想情况下，
re-id的loss应该确保对于任意的查询图片a（any query a），在该图片a和与之身份相同的图片特征之间的最大距离应当小于该查询图片a与与之身份不同的特征之间的最小距离。这样有利于保证对于任意给定的query，得到正确的feature ranking。
MTMCT的loss应该确保任意2个（any two ）具有相同身份的特征间的最大距离小于任意两个（any two）具有不同身份的特征之间的最小距离。这样可以确保类内身份和类间身份距离有一定的margin。
zero MTMCT loss意味着 rero re-id loss。但是，用MTMCT类型的loss进行训练是very expensive的，因为要求所有的特征对作为input，更重要的是类内身份对的数量和类间身份对的数量严重不平衡。In this paper, 我们基于难例挖掘的训练过程，采取了re-id类型的a triplet loss function，获取了高性能的features for both re-id and MTMCT。
实验也表明，当提高re-id rank准确度，超过某一点时，会使得MTMCT的收益递减。。。
用：
a new triplet loss with real-valued
adaptive weights
a new hard-identity mining technique that mixes difficult and random identities.
then,就可以产生很好的外观特征。
实验也表明了rank1 re-id score和IDF1 tracking accuracy之间的关系，基本上可以呈正相关了。也可以表明学习这种特征是有利于更好的完成两大任务的。