在正常的行人重识别深度学习的模型中，都是先将行人图片经过backbonne网络，提取特征，然后再将特征和Linear层进行了链接，然后根据输出的分类概率，来反馈，对网络进行优化。我就在想，可不可以不经过最后的分类层，而是直接在特征的层面进行优化。所以我写了一个损失函数：

import torch
import torch.nn as nn

class Features_Loss(nn.Module):
    def __init__(self):
        super(Features_Loss,self).__init__()

    def forward(self, features, batch_size, person_num):
        loss_all = 0
        loss_temp = 0
        for id_index in range( batch_size // person_num ):

            features_temp_list = features[id_index*person_num:(id_index+1)*person_num+1]
            loss_temp = 0
            distance = torch.mm(features_temp_list,features_temp_list.t())
            distance = 1 -distance

            for i in range(person_num):
                for j in range( i + 1, person_num ):
                    loss_temp = loss_temp + distance[i][j]
            loss_temp = loss_temp / ( person_num * (person_num-1)/2 )
            loss_all = loss_all +  loss_temp
        loss_all = loss_all / ( batch_size // person_num )
        return loss_all

送入这个损失函数的都是经过了标准化的特征向量，这个函数让相同label的行人图片的特征在余弦距离这个层面上拉近。

在数据的准备阶段，我让每个batch中包含K个ID的行人，每个ID下面存在N张图片，就像是triplet loss那样对数据的mini batch进行采样。

训练的时候，我首相将epoch设置为1，产生了epoch1.pth为训练的结果，然后又设置为60进行训练，这次的训练结果为epoch60.pth 。

我们的这个训练过程的代码，以及训练好的模型，都上传到了github上，地址为：https://github.com/t20134297/reid_with_features_loss_only

首先运行 python3 train.py来训练模型，然后运行python3 test.py就可以测试了，这个简单的模型获得rank1在60%左右。