看到一个很有情怀的工作~
https://zhuanlan.zhihu.com/p/61831669
ZJU博士生罗浩在旷视video team发表的《Bag of Tricks and A Strong Baseline for Deep Person Re-identification》知乎专栏最后
“最后说一点个人的看法,ReID这两年发展这么快,但是比起人脸技术而言,落地的应用少了太多。其实并不是ReID的模型不够好,不是数据集上准确度不够高,而是比起人脸任务,ReID的场景更加复杂,有一些本质的问题没有解决。最简单最迫切的,遮挡问题和不可见光的问题。遮挡问题可以使得几乎现有所有的ReID模型失效,而结构光的人脸识别准确度也还不错。但是基于不可见光的ReID,那只能说是惨不忍睹。业界的数据资源开源不出来,学界的拿不到数据就做不了研究,这也是目前学界和业界研究有点脱离的一个因素。我个人呼吁有志于入坑ReID研究的人,不妨多从实际落地的角度思考,到底哪些是阻碍ReID应用的问题。针对这些硬核问题,去做有挑战的研究。Market1501差哪几个百分点真的不是特别重要。”
Tricks in ReID
文章目录
学习率变化策略(Warm up)
lr ( t ) = { 3.5 × 1 0 − 5 × t 10 if t ≤ 10 3.5 × 1 0 − 4 if 10 < t ≤ 40 3.5 × 1 0 − 5 if 40 < t ≤ 70 3.5 × 1 0 − 6 if 70 < t ≤ 120 \operatorname{lr}(t)=\left\{\begin{array}{ll}3.5 \times 10^{-5} \times \frac{t}{10} & \text { if } t \leq 10 \\ 3.5 \times 10^{-4} & \text {if } 10<t \leq 40 \\ 3.5 \times 10^{-5} & \text {if } 40<t \leq 70 \\ 3.5 \times 10^{-6} & \text {if } 70<t \leq 120\end{array}\right. lr(t)=⎩⎪⎪⎨⎪⎪⎧3.5×10−5