1.介绍
这篇论文主要是基于原先的hard triplet提出了了hard global triplet loss和hard cross-modality loss，用它们组成了一个hard pentaplet loss（五态损失）。即下图所示，
原先的hard triplet 只能拉近anchor和positive，推远anchor和negative之间距离。而这里的postive和negative并没有明确指明是intra-modality还是cross-modality。
但是，现在的hard pentaplet loss，特意的标出了cross-modality的postive和nagative。所以不仅仅拉近anchor和positive，推远anchor和negative之间距离，还能拉近anchor和跨模态的positive，推远anchor和跨模态的negative之间距离。
然后把hard pentaplet loss和identity loss运用于rgb-rgb的同模态re-id模型提出了hard pentaplet and identity loss network (HPILN) ，得到了很好的效果。
作者也讲述了为什么模型可以取得这么好的效果？
1.使用的HPIloss有效，其中HP loss使得类间的距离不断加大，然后identity loss继续缩小类内距离
2.采用了较好的采样方法，平衡输入图像的数量，使模型不集中在某一模态图像上
下图是使用了不同的loss函数，样本的分布情况。可以看到，使用HPI>Hp>identity，此时的不同类距离更大，类间距离更小。
2.思想
框架分为两个部分：
1.特征学习（这里使用的是rgb-rgb的特征提取）
2.根据1中的特征构建pentaplet 对
2.1 global triplet loss
这个global triplet loss不仅仅能处理跨模态差异，还能处理同模态差异
2.2 hard cross-modality loss
为了更好的处理跨模态差异，再加一个cross-modality loss
2.3 hard pentaplet loss
把2.1和2.2的损失函数汇总就得到了 hard pentaplet loss
2.4 identity loss
tripletloss仅仅是在距离空间让样本可分离，还需要进行personid分类。进一步减小模内误差。
2.5 总loss
2.6 结果
