![4148dd602f2de815ae95643be77b7e3e.png](https://img-blog.csdnimg.cn/img_convert/4148dd602f2de815ae95643be77b7e3e.png)
声明:本篇文章首发于微信公众号:极市平台(微信号:extrememart)
原文链接:
行人重识别算法优化技巧:Bags of Tricks and A Strong Baselinemp.weixin.qq.com![4bb9ce11fd10898536ddbe4e85ca9089.png](https://img-blog.csdnimg.cn/img_convert/4bb9ce11fd10898536ddbe4e85ca9089.png)
本文主要收集并介绍行人重识别(Person ReID)算法中的一些训练技巧,随着深度卷积神经网络的不断改进,行人重识别领域也有了很大的进步,但大多数的SOTA的算法都是设计了很复杂的网络结构和融合了多支路的特征。作者首先设计了一个强力的baseline, 然后尝试使用一个简单的全局特征,并融合了很多有效的训练技巧,使得模型在Market1501数据集上达到了94.5% rank-1以及85.9% mAP。
![7740d9540f6193446605d9ac8239239f.png](https://img-blog.csdnimg.cn/img_convert/7740d9540f6193446605d9ac8239239f.png)
论文链接:
Bag of Tricks and A Strong Baseline for Deep Person Re-identificationarxiv.org开源代码:
michuanhaohao/reid-strong-baselinegithub.com![64f7a4c51b56627a3aa93dac43751d98.png](https://img-blog.csdnimg.cn/img_convert/64f7a4c51b56627a3aa93dac43751d98.png)
首先作者在Maket1501数据集上对比了ECCV2018和CVPR2018的一些baseline的性能,并与自己提出的baseline作对比,这些baseline大部分都是通过一些训练技巧来提升的,由于在论文中轻描淡写易被忽视,因此作者也建议评价一篇学术论文一定要把训练技巧考虑在内,这样才会更加客观。