多通道CNN 基于部分卷积神经网络模型，并且结合 改善的三元组损失函数
本文的所提出的 CNN model 和 改进的三元组损失函数 可以认为是学习一个映射函数，使得能够将原始 raw image 映射成 一个特征空间，该特征空间使得同一个人的图像距离 小于 不同行人的图像距离。所以，所提出的框架，可以学习到最优的特征和距离度量，从而更好的进行行人的在识别任务。
五个层；
总结：
总体来说，感觉还是比较暴力的解决方案。一方面来说，文章提出了一种利用 human part 和 global body 进行精细化识别的框架来提供更加有效的 feature。另一方面，改善了三元组损失函数，使得最终的训练更加有效。 这是本文中，两个最重要的创新点。
A Discriminatively Learned CNN Embedding for Person Re-identification
主要的特点是采用双loss组合（Identification loss and verification loss）去增强特征的表达（提高类内特征的聚拢性和类间特征的区分性）。
扩大类间距离，缩小类内距离；
这里面的verification loss可以借鉴metric learning中的方法，如contrastive loss、triplet loss等等一系列。其实结合meric learning和cnn的方案最早是出现在人脸识别领域中（如王晓刚老师组的deep ID 系列和google的triplet等）。
Top-push Video-based Person Re-identification
文中针对图片序列（视频）提取 HOG3D 等特征，并提出 TDL(Top-push Distance Learning) 的距离度量学习方法。
TDL 跟近年来的很多方法（如 KISSME[2] ）一样，也是基于马氏距离(Mahalanobis distance)进行学习。