• 实现环状划分车辆局部特征，根据Hanoi Pool论文中对划分特征的处理进行了实验。
• 根据Multiscale Global-Aware Channel Attention for Person Re-identification论文中的描述，实现ASFF融合模块并用来融合不同层之间特征。
• 根据Graph-based High-Order Relation Discovery for Fine-grained Recognition论文，使用其图关系构建模块来对划分出的不同局部特征构建关系。在其上修改并实现了基于图关系的不同局部区域融合模块。
• 实现在最后一阶段使用ASFF融合模块，并对融合结果使用环状划分，再进行图关系构建融合模块。

ASFF 单卡训练 batchsize 64 num_instance 16

ASFF 双卡训练 batchsize 64 num_instance 8

问题分析

ASFF多层级特征融合模块的选择
融合骨干网多个阶段多个层级的模块，设计上需要考虑轻量化。
ASFF模块设计比较简单，进一步修改的入手点比较多。
单卡和多卡训练差异
实现ASFF后，进行实验检验模块代码设计是否有严重错误。由于服务器另一块儿显卡被占用，只用一块显卡实验，得到了最好效果 mAP 80.35。
但后续发现使用双卡后性能会骤降，调整双卡batchsize后，性能恢复正常mAP 78.21,相比baseline mAP 74(without ibn)有所提升。
引入图卷积模块后性能不好
使用图卷积在不同局部特征之间构建关系后，图节点数量是不变的(也就是局部特征数量)，重点在于如何进一步对这些特征进行融合。
目前试过的方法：

• 直接使用Graph-based High-Order Relation Discovery for Fine-grained Recognition 中的方法，直接对不同局部求平均。
• 论文SSR-Net: A Spatial Structural Relation Network for Vehicle Re-identification中的方法，生成一个随机的tensor参与构建图关系，学习得到所有节点的信息。
• 图关系构建后，根据不同局部的注意力对其进行融合。
  这些方法性能不好的可能性分析：
  1．局部划分出的特征相似性高。局部划分时，特征被划分为1环、2环、3环，再将它们作为节点构建图关系。有些节点之间的相似性会非常高，可能会影响其结果。
  实验得到不好结果后，并没有调参进行多次实验验证性能。

下一步计划

在ASFF之上改进代码，并使其适用与多阶段不同维度和形状的特征融合。
进一步在大的框架下，针对图卷积模块进行实验并改进。