阅读了论文 PP-LiteSeg: A Superior Real-Time Semantic Segmentation Model

论文提出的方法：
主要看了两个对重识别任务可能有启发的贡献。

• 统一空间注意力模块，利用通道和空间注意力加强特征的表示。
• 简单金字塔池化模块，聚集全局上下文信息。

代码工作：

• 在fast-reid 中使用环形切片划分出局部特征进行实验。
• 在 pvassf 的全局特征中使用 MultiAttention 模块。
• 在 fast-reid 中使用通道注意力和空间注意力。

实验结果：
VeRi Rank-1 Rank-5 Rank-10 mAP mINP metric
baseline 94.64 97.62 98.45 77.24 42.01 85.94
MultiHead 96.31 98.09 98.75 80.26 46.14 88.28
Baseline 95.77 97.79 98.57 77.42 42.42 86.60
Baseline 94.87 97.56 98.27 76.98 42.89 85.93
CA+SA 95.41 97.97 98.63 78.09 43.33 86.75 -
Pvassf+multihead 95.35 97.79 98.87 77.8 -
pvassf 95.83 98.15 98.93 79.7 - - -

下一步计划

• 思考pvassf 性能变差的原因，尝试在pvassf上使用 Freeze 训练技巧。
• 思考为什么在 fast-reid 中直接使用局部特征效果很差。