今天應該是最後一篇reid的論文了XD
Bag of Tricks and A Strong Baseline for Deep Person Re-identification

標題很直白，就是提出一個很強的reid baseline，
由於近年來reid進步非常迅速，每年benchmark分數不斷創新高。
但許多論文比較都不在一個基準上，因此需要一個公認的baseline方法作為一個標準，

作者首先統計前一年reid方法的分數表現，

可以看到本文提出的baseline可以作為一個目前水平的基準。

也沒有用很複雜的結構或奇怪的衝分tricks，
code也有開源，基本上都可以train到所宣稱的分數(甚至更高)
https://github.com/michuanhaohao/reid-strong-baseline

這是網路架構，

可以看到架構十分簡單，baseline用res50，然後經過一個GAP，
在接上triplet和ID loss

Tricks

接著介紹本文的重點改進。

1. Warmup Learning rate：
   先用一個低的學習率再回到初始學習率，可以增加訓練穩定性，在很多task都驗證有效。

2. Random Erasing Augmentation：
   隨機擦除部分圖像，也是一種常見的Augmentation
   

3. Label Smoothing
   平滑one-hot label，避免over-fitting，也是一種常見的trick。

4. Last Stride
   將最後一層conv的stride=1，有更大的feature map，保留更多特徵資訊。

5. BNNeck
   本文亮點，作者發現直接用triplet loss和ID loss對同一個feature space優化方向會互相影響，
   因此作者認為讓triplet在較自由的空間中優化，再加上一個normalize BN，
   把原本的空間歸一化到超球面，再給ID loss分類會更好

6. Center Loss
   Triplet 只考慮triplet的相對距離，因此加上Center loss讓同ID內聚集更緊密

修改後的架構如下：

Result

和其他方法比較，本文直接將baseline提升到前所未有的高度XD