[论文解读] Bag of Tricks and A Strong Baseline for Deep Person Re-identification

Hao Luo, Youzhi Gu+3 more|arXiv (Cornell University)|Mar 17, 2019

Video Surveillance and Tracking Methods参考文献 27被引用 121

一句话总结

本文汇总并评估一组训练技巧，以建立面向行人重识别的强全球特征基线，在 Market1501 上使用 ResNet50 达到最新最优结果，在 DukeMTMC-reID 上使用 BNNeck 及其他细化实现具有竞争力的表现。

ABSTRACT

This paper explores a simple and efficient baseline for person re-identification (ReID). Person re-identification (ReID) with deep neural networks has made progress and achieved high performance in recent years. However, many state-of-the-arts methods design complex network structure and concatenate multi-branch features. In the literature, some effective training tricks are briefly appeared in several papers or source codes. This paper will collect and evaluate these effective training tricks in person ReID. By combining these tricks together, the model achieves 94.5% rank-1 and 85.9% mAP on Market1501 with only using global features. Our codes and models are available at https://github.com/michuanhaohao/reid-strong-baseline.

研究动机与目标

• 综述并整合用于人 ReID 的有效训练技巧。
• 建立一个基于全局特征的强大、简洁的基线，不使用额外的局部分支特征。
• 对标准数据集定量评估每种技巧的影响。
• 提供公平比较的参考和面向工业应用的实际基线。

提出的方法

• 采用带有全局特征提取器的标准 ResNet50 基线。
• 引入六种技巧：热身学习率、随机擦除增强（REA）、标签平滑、最后一个步幅修改（stride=1）、BNNeck 和中心损失。
• 设计 BNNeck，通过在特征提取后使用 BN 层，将 ID 损失和三元组损失优化分离。
• 通过在 Market1501 和 DukeMTMC-reID 上的消融实验评估技巧的效果，包括跨域测试。
• 与仅使用全局特征的最先进方法进行比较。
• 探索诸如批量大小和图像尺寸等对性能的辅助因素。

实验结果

研究问题

• RQ1 将每种训练技巧加入到标准 ReID 基线后，性能提升是多少？
• RQ2 仅使用全局特征的强基线能否超过依赖多种局部特征的方法？
• RQ3 图像尺寸和批量大小如何影响 ReID 的性能，BNNeck 如何影响优化动态？
• RQ4 训练技巧在跨域 ReID 场景中是否具备良好的迁移性？

主要发现

模型	r = 1	mAP	r = 1	mAP
Baseline-S	87.7	74.0	79.7	63.7
+warmup	88.7	75.2	80.6	65.1
+REA	91.3	79.3	81.5	68.3
+LS	91.4	80.3	82.4	69.3
+stride=1	92.0	81.7	82.6	70.6
+BNNeck	94.1	85.7	86.2	75.9
+center loss	94.5	85.9	86.4	76.4

• 在仅使用全局特征的情况下，六种技巧构成的强基线在 Market1501 上达到 94.5% 的 rank-1 和 85.9% 的 mAP。
• BNNeck 提供了最大的单模型改进，特别是在 DukeMTMC-reID 上。
• 跨域结果显示，热身、标签平滑和 BNNeck 显著提升性能，而随机擦除在跨域性能上可能有害。
• 与许多最先进的方法相比，使用这些技巧的全局特征基线可以达到或超过性能，结合重排序（RK）可达到更高的 mAP 和 rank-1。
• 增大批量大小和探索图像尺寸具有微妙的影响，较大的批量通常有助于困难正负样本挖掘，且在测试配置中图像尺寸呈现相近的性能。