论文标题：Combined Depth Space based Architecture Search For Person Re-identification 论文链接：https://arxiv.org/abs/2104.04163 作者单位：中山大学 & 鹏城实验室 & 琶洲实验室

表现SOTA！参数量仅1.8 M参数，性能优于Auto-ReID、OSNet等网络，

大多数有关行人重识别（ReID）的工作都利用了诸如ResNet之类的大型backbone，该网络专为图像分类而不是ReID进行特征提取。但是，这些backbone可能在计算效率上不是最有效的，也不是最适合ReID的体系结构。在这项工作中，我们旨在为ReID设计一个轻便且合适的网络。我们提出了一种新颖的搜索空间，称为组合深度空间（CDS），在此基础上，我们通过可微分体系结构搜索算法搜索了一种有效的网络体系结构，我们将其称为CDNet。通过在CDS中使用组合的基本构建块，CDNet倾向于关注通常在行人图像中发现的组合模式信息。然后，我们提出一种名为Top-k样本搜索策略的低成本搜索策略，以充分利用搜索空间并避免陷入局部最优结果中。此外，提出了一种有效的Fine-grained Balance Neck（FBLNeck），可以在推理时将其移除，以平衡训练过程中triplet loss 和softmax损失的影响。大量的实验表明，我们的CDNet（约1.8M参数）在性能上可与最新的轻量级网络相媲美。

内容中包含的图片若涉及版权问题，请及时与我们联系删除