Bag of Tricks and A Strong Baseline for Deep Person Re-identification论文学习笔记

这是行人重识别（ReID）领域的一篇论文，发表在CVPR2019，文中作者收集统计了许多有效的tricks，并提出了一种新的BNNeck，最终该算法在Market-1501和DukeMTMC公开数据集上达到了一个很好的效果，所以写一下看这篇论文的一个心得！

论文地址：https://arxiv.org/pdf/1903.07071.pdf

代码地址：https://github.com/michuanhaohao/reid-strong-baseline

下面分为Contributions、Standard Baseline、Training Tracks、Experimental Results四个方面介绍！

【Contributions】

1. 作者收集了一些有效的训练技巧，例如Warmup Learning Rate、Random Erasing Augmentation、Label Smoothing、Last Stride、Center Loss，还设计了一种新的Neck结构-BNNeck。

2. 作者提供了一个很强的ReID Baseline，在Market1501上实现了94.5%的rank-1和85.9%的mAP，这些结果是用ResNet50 Backbone提供的全局特性得到的。

3. 作者还评估了图像尺寸和Batchsize的数量对模型性能的影响。

【Standard Baseline】

1. 在ImageNet上初始化带有预训练参数的ResNet50，并将全连接层的维度更改为N, N表示训练数据集中的行人身份数。

2. 随机抽取每个人的P个身份和K个图像作为训练样本。最后batch-size B = P*K，本文设置P &