reid目前是乙個較為火熱的研究熱點，不管是在業界還是在學術界，在工業界實現專案的時候最大的問題就是如何快速設計乙個baseline，並且是乙個strong baseline，後續可在次基礎上進行更改和優化。由於不同的專案，不同的資料有各自的特點，所以這裡只是說一種常見的baseline，不一定對所有的專案都是最好的，只是說優化潛力較大。
該方案來自 *****: 《 a strong baseline and batch normalization neck 》
該篇*****雖然是乙個學術*****，但是從中可以感受到作者也是乙個偏向工程的，而不是僅僅為了發文章而寫的，相信大家在實際做工程的時候使用了很多*****中的tricks，但是說實話真正好用的沒幾個，亂七八糟的網路結構和策略，難免誤導了很多的剛上手的同學。
下面就是逐步高階reid的乙個過程：分為五步
1、直接分類網路 (pre_trained weights)
根據類別id的個數，直接搭建分類網路，backbone採用與訓練權重，由於類別較多最終的效果一般不會很好2、分類網路+各類tricks (資料增強，注意力)
基於1中的網路，在上述基礎上新增一些tricks，比如 label smoothing，dara_aug，attention等等，一般對於1中的測試結果會有一定程度上的提公升，但是仍然達不到想要的效果3、分類網路 softmax + triplet loss
相對於2中，還是基於上述的架構，但是最終的輸出變成了兩個，乙個是常規的分類 交叉熵損失函式，乙個是triplet loss，該方案才是真正的把度量學習的思想加了進來，效果相對於上述的效果應該會好一些4、分類網路 softmax + semihard-triplet loss
和3中的思想一樣，但是對於 triplet loss 進行了改進，主要是只使用樣本對之間較為難分的樣本參與loss的計算，簡單的和太難的樣本不參與計算，因為如果使用普通的triplet loss的話，如果簡單易分樣本很多，難分較少，大量簡單可分的樣本的loss就會稀釋難分樣本的loss，模型在優化的時候就會很難注意到難分樣本，但是對模型最終效果提公升最有效的往往是難分樣本。但是我們又不能注意太過於難分的樣本，這樣就變成 hard triplet loss，所以我們找乙個折中，實驗證明效果還不錯。5、基於上述方案，使用*****的一些 triks注：1、有很多的細節這裡沒有提到，比如如何進行資料組織，p*k的形式等等，需要在實際**操作的時候去實現
2、使用triplet loss 的時候需要對資料進行組織，比如進行簡單triplet loss實現的時候，由於每次需要輸入三張影象，所以需要對模型進行改進，使得模型每次的輸入為三張影象，乙個anchor，乙個positive， 乙個negative，最終的loss輸出為 anchor的類別，三者之間的triplrt loss。如果使用semi-hard triplet loss的話就可以不用改模型，使用tf封裝的 semi-hard triplet loss就可以了，該包會在每個batch訓練的過程中，自動根據label計算所有的正、負樣本對之間的距離，並且進行選取其中semi-hard的樣本計算loss。
這裡的tricks包括在4的基礎上增加 bn neck, center loss, random erasing, lr schedule 等，其中這幾個tricks的分析在之前的部落格中提到過–部落格位址，可以看看。如果你想自己學習，建議從 一方案 開始，一步步的進行搭建和練習，並觀察準確率最終的變化。如果是想要進行專案的快速搭建，建議直接用第五個方案，可以快速的出乙個不錯的baseline，然後根據專案的實際情況，比如小目標，背景雜亂等等進行優化
ReID基礎 行人重識別的一些認識
傳統方法 手工設計特徵 距離度量。這些傳統方法因為依賴手工特徵,不能適應資料量很大的複雜環境，效能也比較低，所以目前基本沒有人用了。深度學習方法 reid在測試的時候的類別與訓練時類別不同，沒有相同的類別 也就是測試的人和訓練的人不是同一批，open set 對抗攻擊 攻擊者可以通過給良性樣本新增特...
一些語音識別的概念
呼叫日誌 call logging 語音識別的呼叫日誌在系統中有著非常重要的作用，該日誌記錄了輸入的音訊 載入的語法 識別過程的中間結果 識別模組呼叫過程 識別使用的各種引數 識別結果以及當時的系統環境資訊。這些資料是效果分析的依據，詳盡的call log是效果優化的基礎。說話人自適應 當使用者多次...
一些關於識別的胡思亂想
媽媽指著自己的眼睛說 這是眼睛 嬰兒也指著媽媽的眼睛說 這是眼睛 假設此時這個過程嬰兒已經學習了 眼睛 是什麼，那麼此時嬰兒只接受了一次有標籤資料，如果此時給他一條魚，指著魚的眼睛問嬰兒這是什麼，若嬰兒答出這是眼睛，那麼如果能知道嬰兒學習的原理，我們同樣可以用於機器學習，通過這樣減少更多訓練的資料，...