为人体重识别任务中的三元组损失辩护.
Triplet Loss是最常用的度量学习损失，它为每一个样本$x$选择一个正样本$x^+$和一个负样本$x^-$，使得正样本对之间的距离比负样本对之间的距离小于margin值$\epsilon$。
\[\max(0, D[f_{\theta}(x),f_{\theta}(x^+)] -D[f_{\theta}(x),f_{\theta}(x^-)] + \epsilon)\]Triplet loss的缺点在于随机从训练集中挑选三个样本，可能会采样到简单的样本组合，即非常相似的正样本对和差异很大的负样本对，让网络一直学习简单的样本会限制网络的泛化能力。作者提出了一种在线batch hard sample mining的改进版Triplet loss。
改进的Batch Hard Triplet Loss对每一个样本$x$选择$K$个正样本$x^+_k$和$K$个负样本$x^-_k$，并选用最难的正样本对和负样本对构造损失：
\[\max(0, \mathop{\max}_k D[f_{\theta}(x),f_{\theta}(x^+_k)] - \mathop{\min}_k D[f_{\theta}(x),f_{\theta}(x^-_k)] + \epsilon)\]由于正负样本对是在训练时自动构建的，因此是一种在线难例挖掘(online hard-mining)机制。实验结果表明这种机制与soft margin一起使用时效果最好。
此外作者还讨论了是否有必要采用预训练模型。结果表明利用预训练模型确实可以获得更好一点的效果，但是从头开始训练的网络也不会太差； 特别的，预训练模型往往体积较大模式固定，不如自己设计网络来的灵活。同时，预训练模型往往有其自己的固定输入，如果修改其输入很可能会得到相反的效果。
