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】
-
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。
-
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。
-
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】
-
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。
-
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 &