近几年的重识别方向论文基本上都看过了 🤯

代码工作：

• 在fast-reid 中使用cspnet的理论修改 resnet50，最后跑出来结果较差，考虑是需要新的预训练模型的问题。
• 在fast-reid 中的局部分支添加One-vs.rest关系模块。
• 修改 uafm ，使其输入为三个特征图。
• 修改 fast-reid 的 One-vs.rest 模块计算关系的方法。

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
Local rest relation 95.89 97.85 98.75 79.06 45.99 87.47
Uafm+Multihead 96.66 98.51 99.23 82.21 48.76 89.44
Uafm* 96.60 98.39 99.05 82.02 48.23 89.31
Uafm** 95.89 98.09 98.75 80.43 47.12 88.16

问题分析

• 修改局部特征时，一开始性能不好。对比之前的实验数据，调整loss汇总时的计算方式后性能达到正常水平。
• 自己根据模型图实现代码时，写的部分卷积方法有不正确的复用情况。

下步

• 进一步调试修改 uafm和局部特征的利用。
• 思考怎样整理创新点。