本文探讨了行人重识别（ReID）领域的多种技术，包括学习率变化策略（如warm up）、Cutout和Random Erasing等数据增强方法、Label Smoothing正则化技术、Last Stride以及BNNeck的设计，旨在提高模型的鲁棒性和性能。作者指出，尽管ReID模型在准确性上有所进步，但遮挡和不可见光等问题仍阻碍其在实际应用中的普及。
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
最低0.47元/天 解锁文章
扫一扫
860
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
