阅读了论文 Learning latent features with local channel drop network for vehicle re-identification

论文提出了一个局部通道丢失网络，通过释放出对最多焦点的抑制来寻找潜在特征。

代码工作：

• 在fast-reid 中调试修改使用局部特征进行实验的代码。
• 使用 bam 在 fast-reid 中的进行实验。
• 修改 uafm 为 pytorch 下直接可用。
• 在 fast-reid 中使用 uafm 进行实验。

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
CA+SA 95.41 97.97 98.63 78.09 43.33 86.75
Uafm 96.48 98.39 99.05 81.24 46.26 88.86
Cbam+uafm 96.48 98.33 99.23 81.56 46.09 89.02

CirclePool局部特征 93.15 96.48 97.56 72.88 37.61 83.01

问题分析

• 修改 uafm 时遇到很多问题，对照 pytorch 的相关功能函数进行修改，调通测试程序。
• 使用 BAM 时，将代码每一次的卷积变化都从 nn.Sequential 分离出来，便于清楚代码通道和形状的变化。
• 最后尝试使用 Uafm 将 stage2 的特征也融合进来，需要三块 gpus，一起运行。在使用多卡同时训练时遇到问题，分析发现和 batchsize 以及 supcon 损失函数的设置有关。

下一步计划

• 考虑优化 uafm ，进行一定程度的修改和调整，能否减少模型的参数量。
• 继续调整修改局部特征，并与全局尝试融合。