技巧包和强大的 ReID 基准
一揽子技巧和深人重新识别的强大基准。 CVPRW2019, Oral。
深度人员重新识别的强大基准和批次归一化瓶颈。 IEEE多媒体交易（已接受）。
新闻！ 基于强大的基准，我们在2020年AICity挑战赛上获得了第三名。[[PDF]] [[代码]]
新闻！ 我们的期刊版本已被IEEE Transactions on Multimedia接受。
我们非常感谢您为我们的项目做出的贡献，并希望该项目可以为您的研究或工作提供帮助。
这些代码在ReID-baseline（ReID 基线）上扩展，该基线由我们的第一作者 Xingyu Liao 开源。
python2.7 和 pytorch0.4 开发了另一个重新实现。 [[链接]]
一个带有简单重新实现的小型 repo。 [[链接]]
我们的基准还可以在 Vehicle ReID 任务上实现出色的性能！ [[链接]]
有了 Ranked List loss(CVPR2019)[[链接]]，我们的基准可以实现更好的性能。 [[链接]]
@InProceedings{Luo_2019_CVPR_Workshops,
author = {Luo, Hao and Gu, Youzhi and Liao, Xingyu and Lai, Shenqi and Jiang, Wei},
title = {Bag of Tricks and a Strong Baseline for Deep Person Re-Identification},
booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops},
month = {June},
year = {2019}
}
@ARTICLE{Luo_2019_Strong_TMM,
author={H. {Luo} and W. {Jiang} and Y. {Gu} and F. {Liu} and X. {Liao} and S. {Lai} and J. {Gu}},
journal={IEEE Transactions on Multimedia},
title={A Strong Baseline and Batch Normalization Neck for Deep Person Re-identification},
year={2019},
pages={1-1},
doi={10.1109/TMM.2019.2958756},
ISSN={1941-0077},
}
作者
我们支持
绝招
- 热身学习率（Warm up learning rate）
- 随机擦除增强（Random erasing augmentation）
- 标签平滑（Label smoothing）
- 最后一步（Last stride）
- BNNeck
- 中心损耗（Center loss）
待办事项清单
将来，我们将
- []支持更多数据集
- 【支持更多型号】
- []探索更多技巧
其余内容请参考《自述文件》。