ICCV2019-行人重识别-Batch DropBlock Network for Person Re-identification and Beyond论文阅读

动机：

依旧是一篇基于part-based的re-id论文，但与其他相比不同的是，这篇文章没有正面提取local 信息，而是从侧面通过结合随机mask有效信息强化对local特征的学习。

创新：

• Batch DropBlock，这个思路和Random Erasing如出一辙，只不过Random Erasing在图像层面，而Batch DropBlock在特征层面。既然原理相似，那只要把Random Erasing对于图片层面的说辞换成特征层面就行了。
• Batch DropBlock， 顾名思义， 就是对一个batch的特征加入DropBlock。DropBlock是Google之前提出的Dropout系列的一个正则化的模块，这个在SONA网络中有用到。
  这样一个batch的所有特征的同一区域都加入了mask对于这几个Drop操作，作者也很贴心画了图，一目了然：
  
• 作者举了一个例子也很好，如果对一个batch内的样本的特征随机打mask，如果anchor和neg样本头部打了mask，pos样本在脚打了mask，那么在Triplet loss的时候，损失函数将无法将这些local特征一一对应。
  
• 参数设置，