开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第18天，点击查看活动详情

论文--[1] Li H , Wu G , Zheng W S . Combined Depth Space based Architecture Search For Person Re-identification:, 10.48550/arXiv.2104.04163[P]. 2021.

摘要

目标是为ReID设计一个轻量级和合适的网络。提出了一种新的搜索空间组合深度空间(CDS)，在此基础上，通过一种可微体系结构搜索算法来寻找一种高效的网络结构，我们称之为CDNet。通过使用CDS上的组合的基本构建块, CDNet倾向于关注行人图像中常见的组合模式信息。为了充分利用搜索空间，避免陷入局部最优结果，提出了一种低成本的搜索策略Top-k Sample search策略。此外，还提出了一种有效的细粒平衡颈(Fine-grained Balance Neck, FBLNeck)，在推理时可移除，以平衡训练过程中三重体损失和softmax损失的影响。大量实验表明，CDNet(约1.8M参数)具有与最先进的轻量级网络相当的性能

贡献

•提出了一种新的搜索空间组合深度空间(CDS)，其中CBlocks显式学习组合模式特征，更适合ReID。

•提出了一种新的搜索策略layer- wise Top-k Sample search，与其他搜索策略相比，它可以极大地降低搜索成本，并充分利用搜索空间。

•提出了一个简单而有效的细粒度平衡颈(Fine-grained balance Neck, FBLNeck)来平衡triplet loss和softmax loss的影响，以更好地发挥它们的优势。

方法

1. 组合深度空间--CBlock利用两个具有不同接收域的不同核来联合学习各种尺度模式。然后，精心地融合学到的特征，获得更多的判别特征
2. Top-K Sample Search--将体系结构参数表示为α={α1，α2，…，α6}，其中每个αi是一个n维向量，表示第i个MBlock中每个分支的权重。n在CS中为6，在CDS中为12。用w表示搜索网络的网络参数。因此，目标是找到最佳架构参数α∗，它可以通过最小化训练损失来实现最小验证损失
3. Fine-Grained balance Neck--为了有效地解决嵌入空间中三联损失和softmax损失目标不一致的问题，提出了有效的细粒度平衡颈 (FBLNeck)。FBLNeck由两部分组成。上面的部分名为Balance Neck(BLNeck)，它只利用全局信息;下面的部分名为Fine-grained Neck(FNeck)，它将fmap2划分为两个条带，提取局部信息。

实验

数据集：Market1501,DukeMTMC,MSMT17