REID重识别的一些思考-项目/工程实现（四）

REID目前是一个较为火热的研究热点，不管是在业界还是在学术界，在工业界实现项目的时候最大的问题就是如何快速设计一个baseline，并且是一个strong baseline，后续可在次基础上进行更改和优化。

由于不同的项目，不同的数据有各自的特点，所以这里只是说一种常见的baseline，不一定对所有的项目都是最好的，只是说优化潜力较大。

该方案来自 paper: 《 A Strong Baseline and Batch Normalization Neck 》
该篇paper虽然是一个学术paper，但是从中可以感受到作者也是一个偏向工程的，而不是仅仅为了发文章而写的，相信大家在实际做工程的时候使用了很多paper中的tricks，但是说实话真正好用的没几个，乱七八糟的网络结构和策略，难免误导了很多的刚上手的同学。

下面就是逐步进阶REID的一个过程：分为五步

1、直接分类网络 (pre_trained weights)

根据类别ID的个数，直接搭建分类网络，backbone采用与训练权重，由于类别较多最终的效果一般不会很好

2、分类网络+各类tricks (数据增强，注意力)

基于1中的网络，在上述基础上添加一些Tricks，比如 label smoothing，dara_aug，attention等等，一般对于1中的测试结果会有一定程度上的提升，但是仍然达不到想要的效果

3、分类网络 softmax + triplet loss

相对于2中，还是基于上述的架构，但是最终的输出变成了两个，一个是常规的分类 交叉熵损失函数，一个是triplet loss，该方案才是真正的把度量学习的思想加了进来，效果相对于上述的效果应该会好一些

4、分类网络 softmax + semihard-triplet loss

和3中的思想一样，但是对于 triplet loss 进行了改进，主要是只使用样本对之间较为难分的样本参与loss的计算，简单的和太难的样本不参与计算，因为如果使用普通的triplet loss的话，如果简单易分样本很多，难分较少，大量简单可分的样本的loss就会稀释难分样本的loss，模型在优化的时候就会很难注意到难分样本，但是对模型最终效果提升最有效的往往是难分样本。但是我们又不能注意太过于难分的样本，这样就变成 hard triplet loss，所以我们找一个折中，实验证明效果还不错。
注：
1、有很多的细节这里没有提到，比如如何进行数据组织，P*K的形式等等，需要在实际代码操作的时候去实现
2、使用triplet loss 的时候需要对数据进行组织，比如进行简单triplet loss实现的时候，由于每次需要输入三张图像，所以需要对模型进行改进，使得模型每次的输入为三张图像，一个anchor，一个positive， 一个negative，最终的loss输出为 anchor的类别，三者之间的triplrt loss。如果使用semi-hard triplet loss的话就可以不用改模型，使用TF封装的 semi-hard triplet loss就可以了，该包会在每个batch训练的过程中，自动根据label计算所有的正、负样本对之间的距离，并且进行选取其中semi-hard的样本计算loss。

5、基于上述方案，使用paper的一些 Triks

这里的Tricks包括在4的基础上增加 BN Neck, center loss, random erasing, LR schedule 等，其中这几个tricks的分析在之前的博客中提到过–博客地址，可以看看。

如果你想自己学习，建议从 一方案 开始，一步步的进行搭建和练习，并观察准确率最终的变化。如果是想要进行项目的快速搭建，建议直接用第五个方案，可以快速的出一个不错的baseline，然后根据项目的实际情况，比如小目标，背景杂乱等等进行优化