1.介绍
背景：大多数现有的跨模态匹配方法旨在解决跨模态差异，而VT-REID（visible-thermal re-id）问题也受到大的跨视图变化和模态内变化的影响。
创新：1.提出了一种新的VT-REID层次交叉模态匹配模型，该模型可以同时处理交叉模态差异和交叉视图变化，以及内模态变化
2.提出了一种改进的两流CNN网络来学习深度多模态共享特征表示
不足:不是端到端的框架
2.思想
模型由两部分组成：特征学习和度量学习
2.1 特征学习
2.1.1 identity loss
牵引学习id可鉴别特征
对于第二个模态，其identity loss也是一样，记作L2
2.1.2 contrastive loss（triplet loss）
是为了模态内，模态间样本距离易于处理。
这个公式在原始的triplet loss上改进，加入归一化等
2.1.3 总损失
2.2 Hierarchical Cross-modality Metric Learning （这个没怎么懂，哪个大佬知道请告知）
为了使提取的特征更加有鉴别性和跨模态匹配度，设置了HCML进一步提高（即提高精度）
V，T分别是visible，thermal图像的对应的转换矩阵
X，Z分别是visible，thermal特征
M是一个正半定矩阵，表示学习模态共享度量来处理跨模态差异
2.2.1 Modality-specific Terms
减小同模态的相同id的之间的跨视图差异
上式是 对每一个id，这个id的所有rgb（或ir）图片都和这个id的rgb的均值做差，得到每个rgb（ir）和均值的差异，最后归一平均化。
2.2.2 Modality-shared Term
为了使特定模态经过模态度量方法转换（D）后，能从从两个不同模态中区分出不同的人
2.2.3 总公式####
然后对这个公式进行优化
