论文链接：https://arxiv.org/abs/1811.07130
github：https://github.com/daizuozhuo/batch-dropblock-network
作者知乎简介：https://zhuanlan.zhihu.com/p/53241545?utm_source=qq&utm_medium=social&utm_oi=817295961469632512

《Batch DropBlcok Network for Person Re-identification and Beyond》

 Batch DropBlock是基于Person ReID提出的模型，简单且效果好。不过，它同样是一种泛化性强的策略，它不仅局限于Person ReID，而是可以应用于所有的图像检索任务中。作者将BDB定位为“用于度量学习的一种注意力特征学习模块”，它可以广泛应用图像特征提取任务中（这也就是为何论文标题最后有个“and Beyond”）。

 ReID网络的核心就是提取准确、鲁棒的特征，直接将CNN应用在全图上容易使网络过于关注全局特征而忽视重要的细节特征（因为脸、手、脚等特征会因视角变化等因素而十分不稳定），因此学者们致力于如何提取更鲁棒更全面的特征，比如基于姿态或其他方法来关注人体不同部分的特征（比如PCB-RPP就是典型的part-based模型）。

 作者认为，这种切分特征图的本质，其实就是为了让网络不太关注于那些太显而易见的全局特征。Person ReID是一种ZSL问题（zero shot learning），仅仅全局特征是很难有好结果的。而且主流行人数据集都较小，这容易导致过拟合。基于此，作者提出了BDB策略，即对一个batch的特征图，随机遮挡住同样的一块区域，强迫网络在剩余的区域里去学一些细节的特征。

 整体框架如Figure 3所示，模型基于RestNet-50的输出，并接入两个branch：

1. Global Branch： 对特征图直接做GAP，然后通过卷积提取出512维特征；
2. Feature Dropping Batnch： 将特征图通过一个BottleNeck，然后加入Batch Mask并进行GMP，然后通过卷积提取1024维特征。
   

这里需要进行几点说明：

1. global branch使用的是GAP，即保留了原版ResNet-50的策略；而feature dropping branch使用的是GMP，因为当区分性最强的特征被mask掉时，GMP能够使网络从剩余特征中提取保留相对重要的特征（若使用GAP，所有剩余特征，包括噪声特征都会对输出产生一定影响）。
2. 框架中取消了原ResNet-50中Stage3后面的DownSampling，从而获取更大的特征图（2048248）。
3. 损失函数使用的是soft margin batch-hard triplet loss + softmax loss。
4. 作者用实验证明，global branch除了可以提供全局特征外，还可以使feature dropping branch得到更好的训练结果。具体而言，global branch对feature dropping branch有监督作用，且可以使得feature map更加可靠。
5. 关于feature dropping branch中为何加入一个bottleneck结构，作者的理由是，如果没有它，两个分支的GAP和GMP将同时作用于feature map上，这使得网络不容易收敛。

 基于上述框架，作者用CAM（Class Activation Map）来展现BDB框架的优势，如图Figure 1。可以看到，加入feature dropping branch后，模型可以学习到更多更细节的重要特征。

另外，不论是BDB的命名，还是其思路上，或许都部分参考了DropBlock（NIPS2018）（以下简称DB）的处理方法。不过作者认为BDB和DB有两个重要区别：

1. DB是各个特征图上随机mask一块区域，而BDB是在一个batch上mask同一块区域。
2. DB是一种用于分类任务的正则化策略，而BDB是用于度量学习的注意力特征学习模块。 确实，DB是参考dropout的正则化思路，基于CNN网络的一种应用；且与cutout不同的是，DB是在feature map上进行随机mask一块spatial block（cutout是在输入图上随机mask一块spatial block）。而BDB则是一种特征提取模块，且它和loss function是息息相关的，对于loss function的同一批输入，mask的区域理应相同（否则若一个mask掉头部，一个mask掉腿部，就不容易找到它们在语义上的相似性了）。

 作者也做了很多消融实验（对比实验），来讨论网络各个部分的细节，并且作者将cutout应用在BDB上发现可以带来性能的进一步提升。总之，模型的mAP效果确实很出众。

 而且，BDB的策略不局限于Person ReID，作者用实验证明，它可以在更多的图像检索任务中获得出色的结果，并在度量学习中对基于其他loss function的模型也有显著的提升作用。

 总结： 我第一遍粗看这个文章和网上一些解析时，觉得这个模型十分简单。不过今天再次细读，发现作者其实在很多细节上都做了精心实验和设计，最终才得到了这个看起来简单而性能强大的模型。除了敏锐的创新思维外，实验中的各种优化策略也很重要，比如作者在知乎发文后受网友提醒，在BDB中加入了warm up策略，使得原本网络又有了进一步提升。另外，令我感叹的是，人们为了解决Person ReID而在人体划分方向做了很多研究，现在却没有敌过一个思路更简单、泛化性更强的BDB（至少mAP指标上是如此），原因何在呢？