1 warm up: 前十个epoch学习率先线性增长,然后保持,20和40个epoch的时候,学习率衰减为0.1
2 数据的随机擦除
3 label smooth,对交叉熵进行一个改变
4 将resnet50的最后下采样和卷积步长设置为1
5 在使用triplet和ID loss的时候,将送给triplet Loss 的特征经过一个BN层,然后送给ID Loss,这个BN层中,bias归零,不使用
6 加center loss
1 warm up: 前十个epoch学习率先线性增长,然后保持,20和40个epoch的时候,学习率衰减为0.1
2 数据的随机擦除
3 label smooth,对交叉熵进行一个改变
4 将resnet50的最后下采样和卷积步长设置为1
5 在使用triplet和ID loss的时候,将送给triplet Loss 的特征经过一个BN层,然后送给ID Loss,这个BN层中,bias归零,不使用
6 加center loss