【论文阅读】Batch DropBlock Network for Person Re-identification and Beyond

论文地址
论文代码

论文翻译以及介绍

别的博客

关注人体的局部信息
框架：全局和局部的特征结合在一起

全局特征：提供了全局特征表示，对特征擦除分支进行监督
局部特征：特征擦除，GMP获得2048维向量-1024维 （drop 的区域也可以渐进式的丢弃）
批处理DropBlock层将随机丢弃张量T的相同区域 ######
feature dropping branch 用 BatchDropBlock Layer 在 feature map T 执行，得到 batch erased feature map T’
然后串联在一起作为embeding vactor

1. BFE层无参数，不会增加网络大小。
2. BFE层可以很容易地用于除行人重识别之外的其他度量学习任务。
3. BFE超参数在不改变网络结构的情况下可调，适用于不同的任务。

方法：擦除一部分区域，使网络仍然具有判别性，也就是对不太显著地区域能够增加判别性;
擦除区域的高度和宽度因任务而异
在最后一层的特征上分两个分支：global分支和局部分支，约束采用常见的两个损失

启发：part和mask提升局部表示的方法；
具体的分块原理，对于块的约束，如何分类的（再看看论文中的描述）
为什么在这个层做batch-dropout，或者维度放大一倍会有什么影响。