跨模态行人重识别：CM-NAS: Cross-Modality Neural Architecture Searchfor Visible-Infrared Person Re-Iden学习记录笔记

目录

摘要

方法

 试验

---

论文链接：CM-NAS: Cross-Modality Neural Architecture Search for Visible-Infrared Person Re-Identification

摘要

        系统地研究了手动设计的架构，并确定适当地分离批标准化 (BN) 层是极大推动跨模态匹配的关键。基于这一观察，基本目标是为每个 BN 层找到最佳分离方案。提出了一种新方法，称为跨模态神经架构搜索（CMNAS）。它由一个面向 BN 的搜索空间组成，其中标准优化可以通过跨模态任务来完成。 

讨论：

        （1）仅在块中分离BN层优于分离整个块； (2) 分离两个BN层块通常优于分离单个BN层。考虑到这些我们得出一个结论，适当分离所有 BN 层是极大推动跨模态匹配的关键。

Neural Architecture Search 

现有的 NAS 工作可以分为微搜索方法和宏搜索方法 。微搜索方法旨在设计稳健的单元，然后将这些单元堆叠起来以构成神经架构。传统方法主要依靠