行人reid with_ibn

IBN-Net在设计block时精心组合Instance Normalization（IN）和Batch Normalization（BN），可以应用到一些已有的先进深度网络中中来提升性能。本文贡献有3点：
（1）通过研究IN和BN，发现IN学习到的是不随颜色、风格、虚拟/真实等外观变化而改变的特征，而BN则是保留与内容相关的信息。
（2）IBN-Net可以应用到很多先进的深度网络结构，如DenseNet，ResNet，ResNeXt以及SENet等，能够提升这些网络的性能并且不会带来额外的计算量。
（3）当将已训练的模型应用到新的domain时，如从GTA5到Citycapes，相比domain adaptation 方法，即使IBN-Net不使用目标domain中的数据，也有明显的提升。
本文为论文《Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net》学习笔记，原文地址：https://arxiv.org/abs/1807.09441

提升模型的泛化能力：IBN-Net 论文笔记