阅读了论文 Going Beyond Real Data: A Robust Visual Representation for Vehicle Reidentifification

论文是百度在2020年AIcity中车辆重识别任务上进行的工作。其中可借鉴的贡献主要有两点

• 在推理阶段进一步整合信息提高性能，添加了车辆方向和相机方向预测模型。
• 从骨干网络中提取有用多尺度信息。

代码工作：

• 继续上周优化全局的实验，将Uafm**从80.43优化到81.04。
• 将老师发我的自适应特征融合模块应用在uafm** 中。
• 在fast-reid 中同时使用全局和局部特征，进行多组实验。

Local+uafm 96.01 97.68 98.51 79.38 46.65 87.69
Uafm**融合三层 96.42 98.51 99.05 81.04 46.92 88.73
Uafm+自适应特征融合 96.13 98.15 98.87 81.96 49.06 89.04
全局+局部 95.23 97.20 97.97 78.51 46.53 86.87
Uaf**去掉损失权重自适应 94.93 97.08 98.03 77.54 44.56 86.24
_特征合在一起算损失 96.07 98.03 98.75 79.88 46.34 87.97
_局部loss汇总时参数设0 95.95 98.33 98.87 80.70 47.18 88.32

问题分析

• 全局和局部特征同时使用，结果性能下降的问题

思考可能有两个原因

• 全局和局部都使用的attention融合机制来提取特征，并且都以backbone最后一层出来的原始特征图为主，所以相比只用局部或者全局，两者都用时，特征理论上可能并没有丰富多少。
• 同时使用全局和局部时，也意味着会多出两个损失函数，之前使用的两个损失函数之间的自适应权重也将失去最佳效果。loss之间的平衡策略并没有优化到较好的水平，最终的实验结果有所降低也是合理的。

下一步

• 参考 pvasf 对局部特征先算权重并按权重相加。
• 对全局特征处理后的结果进行局部 circle pooling划分为局部，再进行局部特征提取。
• 使用多任务loss权重梯度优化，平衡多个loss。