《A Coarse-to-fine Pyramidal Model for Person Re-identification via Multi-Loss Dynamic Training》
论文地址：https://arxiv.org/pdf/1810.12193.pdf
腾讯的一篇文章，提出一种多尺寸金字塔模型。如下所示，输入图片经过backbone后得到C × H × W的feature map，首先采用类似PCB的做法，对feature map在H方向上横向等分成N分部（拿下图的6部分来说），则金字塔最底层（第一层）取整个6份为整体feature，第二层取其中的5份分别是1，2，3，4，5和2，3，4，5，6作为本层的两个feature map，第三层则取其中4份分别是1，2，3，4和2，3，4，5及3，4，5，6作为本层的三个feature map，以此类推，第四层则取其中3份分别是1，2，3和2，3，4及3，4，5和4，5，6作为本层的四个feature map，第五层则取其中2份分别是1，2和2，3及3，4和4，5和5，6作为本层的五个feature map，最后一层则只取其中的一份作为本层的六个feature map，分别是1，2，3，4，5和6。这就是疯狂多尺寸部件特征。
得到各个层次的feature map后，将其（注意是所有的部件特征）分别输入后续的 Basic Operations，这一步具体操作如下所示，对fenature map分别做GAP和GVP两种全局池化，将池化后特征相加（channel不变）并接上conv+bn+relu降维得到最后的feature，这个feature一分为二，其中一路直接接上FC全连接层+softmax进行ID loss以提高该feature的辨识性，另一路和其他的部件特征结果相连进行Triplet Loss。
在采样方面，本文涉及到两种采样方法，一为普通的随机采样，二由于mini-batch的使用，导致每个ID的样本数太少以至于Triplet loss对于网络作用不是很大，因此本文采用一种ID- balanced的做法，即每个batch使用8个随机ID，每个ID采用8张随机图（那些ID少于8张图的样本便无法参与训练），如此便可使用难例三元组进行Triplet loss。其实就是每个ID的样本多一点，这样子难例样本在计算类内和类间距离时比较有意义。
如上所示，文章采用了Identification loss+Triplet loss两种loss相结合，但是并非简单的在两个loss前加上去权重系数相加作为总的loss，文章提出自己的一种动态loss训练，思想是前期先学习简单的样本，后期再学习难例样本。公式不好编辑这里就不贴出来了，大概说一下意思，首先算一下每个loss持续到当前的平均值，然后根据这个值来计算每个loss当前学习率的速度，并计算其在两种loss学习率中所占的比重，如果ID loss起的作用比较大便采用普通随机采样，若Triplet loss起的作用比较大则采用ID- balanced的采样方法。经实验表明前期ID loss起主导作用，因为前期模型比较粗糙，简单样本学习更快，后期则Triplet loss起的作用较大，难例对模型的影响较大。具体感兴趣的可以查看原文的公式。
最后，文章贴出该方法在数据集上的结果，market如下：
