可达94.5%Rank1和85.9%mAP！一个更加强力的ReID Baseline

加入极市 专业CV交流群，与 6000+来自腾讯，华为，百度，北大，清华，中科院 等名企名校视觉开发者互动交流！更有机会与 李开复老师 等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。 关注  极市平台  公众号  ， 回复  加群， 立刻申请入群~

作者： 罗浩.ZJU

来源：https://zhuanlan.zhihu.com/p/61831669

本文已由作者授权转载，未经允许，不得二次转载

一、前言

行人重识别最近两三年发展十分迅速，每年都以10~15%的Rank1准确度在增长。当然快速发展的背后离不开Baseline的逐渐提高。早期的Baseline还比较低，大部分工作都在很低的Baseline上完成，因此准确度不高。而2017~2018这个时期，随着Pytorch框架的崛起，很多学者基于Pytorch框架开始调ReID的Baseline，因此性能也就越来越强（很多博士和博士生都做出了巨大贡献）。2018年暑期我和廖星宇师弟在旷视实习的时候，开源过一个GitHub项目，并且发布一篇知乎文章：

https://zhuanlan.zhihu.com/p/40514536

基于这个项目，我们最近这个项目进行扩展，完成一个更加强力的ReID Baseline。通过引入一些低消耗的训练Tricks，使用ResNet50的Backbone，这个Baseline在Market1501可以达到94.5%的Rank1和85.9%的mAP。当然使用更深的Backbone还可以继续提高性能。值得一提的是，和大量拼接多个local feature的方法取得高准确度的方法不同，我们只使用了一个global feature。目前代码已经开源了，欢迎学术界和工业界使用这个Baseline进行论文和产品的研究，comments are welcome！

https://github.com/michuanhaohao/reid-strong-baseline

二、背景

Baseline对于一个领域的研究起着非常重要的作用，但是我们观察最近一年顶会发表的ReID工作，发现论文之间Baseline的差距特别大。以Market1501为例，极少数工作在90以上的Baseline上开展，而大部分集中在80~90之间，甚至部分工作在80以下的Baseline上开展。而DukeMTMC-ReID更是没有一个Baseline超过了80的Rank1。我们都清楚，在低的Baseline上面方法涨点更加容易。另外不同的Baseline也很难统一比较不同方法的优劣性。基于这个因素考虑，我们觉得需要统一一个强力的Baseline。

近一年顶会上ReID工作Baseline性能的统计。 左图为Market1501数据集，右图为DukeMTMC-reID数据集。

另外我们发现在一些文章之后，会使用一些trick来提升模型的性能，但是在论文撰写过程中只是简单的轻描淡写一句甚至完全不写，最后阅读代码的时候才发现这些trick。然而对于一些资深的审稿人而言，通常都没有亲自运行过实验代码，因此这些trick容易“骗过”审稿人，让审稿人产生这个方法涨点很明显的错觉，然而可能大部分性能的提升是来源于trick而不是算法本身。

此外，最近出现了一些融合多个local feature达到很高性能的工作。我们不可否认，多尺度、多特征的融合本来也是CV领域很重要的一种思路。但是有了类似的工作之后，无意义地、暴力地融合大量的local feature的工作不应该再被会议期刊作为创新研究过度认可。这种工作一来无法给学界提供很有意义的insight，另一方面也并不是业界产品研发过程中喜欢的模型。融合大量的local feature，最后哪怕取得了很高的性能，也不过是“忽悠”外行人罢了。

综上我们做这个工作的目的有以下几个：

经过统计发现，最近一年顶会上发表工作的Baseline性能差异性很大，并且大部分处在很低的水平。因此我们希望统一一个强力的Baseline。

我们希望学术界的研究能够在这个Baseline进行扩展，这样能够早日把Market1501、DukeMTMC-reID数据集给刷爆。只有这些数据集刷爆了，学界才能意识到ReID应该进入下一阶段。

我们希望给社区的审稿人一些参考，哪些trick对模型的性能会产生重大的影响，审稿时应该考虑这些trick。

我们希望给业界提供一些训练trick，在很低的代价下提高模型的性能，加快产品研发的过程。

庆幸的是，过去几年我们在ReID研究过程中，收集了一些训练的trick。通过把这些trick引入到现有的Baseline上面，我们得到了一个强力的Baseline，以ResNet50位Backbone，最终在Market1501取得了94.5%的Rank1。当然，为了判断这些trick是在训练域上疯狂overfit，还是增加了模型的泛化能力，我们同时做了cross-domain实验。

三、Standard Baseline

首先我们来回顾一下标准的Baseline。通常我们使用ResNet50来Backbone，一个mini-batch包含了P个人的各K张图片，图片经过Backbone之后得到global feature，然后这个特征分别计算一个分类损失（ID loss）和一个triplet loss（batch hard mining）[1]。如果这个baseline调的好话，应该会接近90%的rank1水平。我们得到的结果是87.7%的rank1。

常用的标准Baseline

四、Our tricks

这一小节我们将会逐个介绍我们使用的trick，包括：Warmup学习率、随机擦除增广、Label Smoothing、Last Stride、BNNeck和Center loss。

(1) Warmup Learning

Warmup学习率并不是一个新颖的东西， 在很多task上面都被证明是有效的，在我们之前的工作[1]中也有过验证。标准Baseline使用是的常见阶梯下降型学习率，初始学习率为3.5e-4，总共训,120个epoch，在第40和70个epoch进行学习率下降。用一个很大的学习率初始化网路可能使得网络震荡到一个次优空间，因为网络初期的梯度是很大的。Warmup的策略就是初期用一个逐渐递增的学习率去初始化网络，渐渐初始化到一个更优的搜索空间。本文使用最简单的线性策略，即前10个epoch学习从0逐渐增加到初始学习率。

(2) Random Erasing Augmentation

Random Erasing Augmentation（REA）[2]是一种随机擦除的数据增广方法。简单而言就是在图像中随机选择一个区域，打上噪声mask。这个mask可以是黑块、灰块也可以是随机正太噪声。直接看图就能明白，具体细节可以看论文。所有参数都是直接利用原论文的参数。随机擦除是一种数据增广的方式，可以降低模型过拟合的程度，因此可以提升模型的性能。

随机擦除示例

(3) Label Smoothing

标签平滑（LS）是论文[3]提出的一种方法，应用于分类任务。传统的分类任务用的是交叉熵损失，而监督label用的是one-hot向量。因为交叉熵是相对熵在one-hot向量前提下的一种特例。但是one-hot是一种很强的监督约束。为了缓和label对于网络的约束，LS对标签做了一个平滑：

举个例子，加入原始的label是[0，0，1，0，0，0]，平滑参数设置为0.1，则平滑之后的label就会变成[0.02，0.02，0.9，0.02，0.02，0.02]，计算损失时由交叉熵换回原始的相对熵。经过标签平滑之后，网络的过拟合程度也会被抑制一点。

(4) Last Stride

ResNet50 Backbone的每个block最后一层conv都会有一个下采样的过程，即最后一层conv的stride=2。正常输入一张256×128的图像，网络会输出一个8×4的feature map。通常而言，增大尺寸一般是能够提升性能的。一个很简单的操作就是把最后一个conv的stride改为1，我们把这个stride叫做last stride。这个操作不需要增加任何的参数量，也不改变模型的参数结构，但是会把feature map尺寸扩大为16×8。更大的feature map可以提取到更加细粒度的特征，因此能够提升模型的性能。

(5) BNNeck

这是这篇文章的核心点。我们常用的Baseline通常会同时使用ID损失和triplet损失一起优化同一个feature。但是在大量前置的研究发现，分类损失其实是在特征空间学习几个超平面，把不同类别的特征分配到不同的子空间里面。并且从人脸的SphereFace [4]到ReID的SphereReID [5]等工作都显示，把特征归一化到超球面，然后再优化分类损失会更好。triplet loss适合在自由的欧式空间里约束。我们经常观察到，如果把feature归一化到超球面上然后再用triplet loss优化网络的话，通常性能会比不约束的时候要差。我们推断是因为，如果把特征约束到超球面上，特征分布的自由区域会大大减小，triplet loss把正负样本对推开的难度增加。而对于分类超平面，如果把特征约束到超球面上，分类超平面还是比较清晰的。对于标准的Baseline，一个可能发生的现象是，ID loss和triplet loss不会同步收敛。通常会发现一个loss一直收敛下降，另外一个loss在某个阶段会出现先增大再下降的现象。也就是说这两个task在更新的过程中梯度方向可能不一致。但是由于最终都能够收敛，所以可能容易引起大家的忽视，我相信应该不只是我们观察到过这个现象。

基于以上现象考虑，我们希望找个一种方式，使得triplet loss能够在自由的欧式空间里约束feature，而ID loss可以在一个超球面附近约束feature，于是乎就出现了以下的BNNeck。BNNeck的原理也很简单，网络global pooling得到的feature是在欧式空间里的，我们直接连接triplet loss，我们把这个feature记作ft 。然后这个feature经过一个BN层得到fi ，经过BN层的归一化之后， batch里面fi 的各个维度都被拉到差不多，最后近似地在超球面附近分布。当然不是严格意义上的，只是近似地而已。当然也可以尝试一下直接用L2 norm得到fi，但应该效果会低于BNNeck。因为L2 norm是一个无参数的强约束，产生的梯度会直接全部传给ft，其实改变并不大。而BNNeck的话还有BN层的参数可以吸收梯度，相对来说对ft 的影响会弱一点。

当然还有一些小细节，就是分类的FC的bias我们是关掉了的，这样可以保证分类的超平面一定经过原点。因为特征也是关于原点对称分布的。BNNeck是我们从实验现象的观察得到的产物，如果有更加严谨的理论证明，会更加好。也许我们的推断是错的呢。

(6) Center Loss

Triplet loss有个缺点是只考虑了相对距离，其loss大小与正样本对的绝对距离无关。举个例子，假如margin=0.3。正样本对距离是1.0，负样本对是1.1，最后loss是0.2。正样本对距离是2.0，负样本对是2.1，最后loss还是0.2。为了增加正样本之间的聚类性能，我们加入了Center loss：

由于ReID现在的评价指标主要是cmc和mAP，这两个都是检索指标，所以center loss可能看上效果不是那幺明显。但是center loss会明显提高模型的聚类性能，这个聚类性能在某些任务场景下是有应用的。比如直接卡阈值区分正负样本对tracking任务。

当然center loss有个小trick就是，更新网络参数和更新center参数的学习率是不一样的，细节需要去看代码，很难说清楚。

(7) Modified Baseline

Modified Baseline

通过引入前文的各种trick，我们的Modified Baseline就如上图所示。输入的图像经过REA数据增广，然后经过ResNet50网络，last stride改为1。然后经过BNNeck，由于center loss也是一种metric loss，所以和triplet loss一起放到BN前面。最后分类损失结合LS一起计算。整个网络使用warm up学习率去优化。

实验结果

(1) Influences of Each Trick (Same domain)

我们在Market1501和DukeMTMC-ReID上面分别测试了每个trick的效果，这个结果是在同数据集上训练测试的。具体数字就叙述了，每个trick都能涨点，其中REA、BNNeck涨点是比较明显的。

监督学习实验结果

(2) Analysis of BNNeck

我们同样分析了一下BNNeck的结果，对于BN层前后的fi 和ft 两个feature在测试阶段分别使用欧式距离和余弦距离进行相似度度量。我们主要关注最后两行的结果，对于靠近ID loss的fi，余弦距离的度量效果显着好于欧式距离。也说明分类损失约束的feature更加适合余弦距离。当然四种配合方式都显着高于不用BNNeck的结果。

BNNeck结果分析

(3) Influences of Each Trick (Cross domain)

为了观察这些trick是在训练域上overfit了，还是真正的增加了网络的泛化能力，我们还做了cross domain的实验。即在一个数据集上训，在另外一个数据集上测。结果显示REA会大大的降低跨域的性能，其他的trick都还是有一定程度的涨点的。最后我们删除REA，只使用其他五个trick，M→D的结果达到了41.4的rank1。目前M→D的SOTA方法也就50左右的水平，这已经是个不错的Baseline了。当然也值得深思，为什幺REA数据增广会降低跨域性能。

Cross domain试验结果

(4) Comparison of State-of-the-Arts

我们把Baseline的结果直接和SOTA的方法进行比较，除了少数几个能够达到95+的结果以外，没有任何方法的结果能够超越我们。值得一提的是，我们仅仅使用一个简单global feature，加了一层BN而已。目前主流能够达到93+的方法都concatenate多个local feature。腾讯的金字塔结构更是融合21个不同尺度的local feature。在所有只使用一个global feature的方法里，我们的性能是大大领先的。而且我们的训练代价非常小，就是加了一些trick而已。（所以也验证了深度学习领域的那句名言：天下万物，多为调参？）

State-of-the-arts

(5) Batch & Image Size

我们发现不同论文中的batch size和image size都不一样，因此我们也测试了这两个参数的影响。结果如下，简单的概括一下就是：Batch size呈现一种大batch效果更好的趋势，但是不是特别明显；而Image size对于global feature性能没有太大的影响。

我们推测是，batch越大，batch hard mining挑选的样本也就越难，因此网络性能越好。而训练图像的尺寸是128×64，不管你用多大的image size，都不增加额外的信息。所以只要大于128×64，image size就对性能没有太大的影响。

Batch size

Image size

(6) Backbone

在我们开源了代码之后，有好心人帮我们扩展了Backbone，包括ResNet、SENet、SeResNet等等。大致结果呈现网络越深，效果越好，这也符合正常的结论。其中SeResNeXt101取得了95%的rank1和88%的mAP，基本已经相当高了。ResNet152在Market1501上有点反人类，可能是数据集太小，并且比较简单，所以overfit了吧。

不同的Backbone结果

6、结语

这篇论文给出了一个强力的Baseline，我们不希望这个工作成为一种暴力刷点的工作，而是希望这个Baseline能够促进ReID领域的发展。无论是学术界还是工业界，只要能够使用这个Baseline做有用的研究或者产品，我们就觉得这个工作是有意义的。

这个工作离不开 古有志、 Sh erlock、小赖sqLai 等一起付出。这个工作是我和师弟们在寒假跑了几百组实验总结出的结果，另外mxnet版本可以看小赖的文章：如何基于gluon训练一个强有力的Reid Baseline（https://zhuanlan.zhihu.com/p/42345854）

最后说一点个人的看法，ReID这两年发展这幺快，但是比起人脸技术而言，落地的应用少了太多。其实并不是ReID的模型不够好，不是数据集上准确度不够高，而是比起人脸任务，ReID的场景更加复杂，有一些本质的问题没有解决。最简单最迫切的，遮挡问题和不可见光的问题。遮挡问题可以使得几乎现有所有的ReID模型失效，而结构光的人脸识别准确度也还不错。但是基于不可见光的ReID，那只能说是惨不忍睹。业界的数据资源开源不出来，学界的拿不到数据就做不了研究，这也是目前学界和业界研究有点脱离的一个因素。我个人呼吁有志于入坑ReID研究的人，不妨多从实际落地的角度思考，到底哪些是阻碍ReID应用的问题。针对这些硬核问题，去做有挑战的研究。Market1501差哪几个百分点真的不是特别重要。

当然我们会抽空继续维护我们的项目，也欢迎大家给我们提供trick、改进、意见或者是指正批评，同时欢迎Valse2019和CVPR2019现场交流，comments are welcome！

参考文献

[1] Hermans, Alexander, Lucas Beyer, and Bastian Leibe. “In defense of the triplet loss for person re-identification.”arXiv preprint arXiv:1703.07737(2017).

[2] Zhong, Zhun, Liang Zheng, Guoliang Kang, Shaozi Li, and Yi Yang. “Random erasing data augmentation.”arXiv preprint arXiv:1708.04896(2017).

[3] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna. Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826, 2016.

[4] Liu, Weiyang, Yandong Wen, Zhiding Yu, Ming Li, Bhiksha Raj, and Le Song. “Sphereface: Deep hypersphere embedding for face recognition.” InProceedings of the IEEE conference on computer vision and pattern recognition, pp. 212-220. 2017.

[5] Fan, Xing, Wei Jiang, Hao Luo, and Mengjuan Fei. “Spherereid: Deep hypersphere manifold embedding for person re-identification.”Journal of Visual Communication and Image Representation (2019): 51-58.