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,