【2019CVPR】Bag of Tricks and A Strong Baseline for Deep Person Re-identification

王韶云 2022.09.10 周报内容：学习行人重识别经典网络 BagOfTricks

---

论文【2019CVPR】Bag of Tricks and A Strong Baseline for Deep Person Re-identification

作者博客：一个更加强力的ReID Baseline
主要内容：提出一个baseline和一些tricks
其他细节：测试了 batch size 和 image size 对模型的影响

tricks:

1. Warmup Learning Rate: 将网络缓和地初始化到一个更优的搜索空间，避免震荡到次优空间；
2. Random Erasing Augmentation(REA): 随机擦除，模拟遮挡，图像增广的一种方法，提高泛化能力；
3. Label Smoothing: 标签平滑，缓和label对网络的约束，抑制过拟合；
4. Last Stride：增大feature map，提取到更加细粒度的特征，以提升模型的性能；
5. BNNeck：加速ID Loss的收敛，原文的解释，其他文章的解释；BN；
6. Center Loss：增加正样本之间的聚类性能，在检索指标CMC和mAP上效果不明显；

Pipeline：输入的图像经过REA数据增广，然后经过ResNet50网络，last stride改为1。然后经过BNNeck，由于center loss也是一种度量损失，所以和triplet loss一起放到BN前面。最后分类损失结合LS一起计算。整个网络使用warm up学习率去优化。

---

学习源码

参考 行人重识别 reid-strong-baseline代码运行
参考 ResNet50网络结构图及结构详解
项目模板，参考PyTorch-Project-Template
Ignite库，高层次封装的训练框架
yacs库，用于为一个系统构建config文件

出现的问题及解决办法

1. RuntimeError: DataLoader worker (pid(s) ***, ***, ***, ***) exited unexpectedly

---

总结

名词

1. mini-batch: Mini-batch 和batch的区别
2. one-hot: 最为简单也是比较常用的文本特征表示方法
3. 交叉熵、相对熵的通俗理解
4. 详解：信息量、熵、交叉熵、相对熵（KL散度）；损失函数为何多用交叉熵，蒸馏模型用相对熵？FastReID中用到知识蒸馏…
5. margin: 将类间的间隔拉得更大，保证“类间距离大于类内距离”这一目标
6. learning rate decay:衰减学习率
7. 召回率、精确率、准确率
8. 检查点模式：定期存储模型

🤔？

【 NeurIPS 2021 】 图像损坏场景下行人重识别新基准
跨分辨率 可以参考 模糊场景吗？