动机：

依旧是一篇基于part-based的re-id论文，但与其他相比不同的是，这篇文章没有正面提取local 信息，而是从侧面通过结合随机mask有效信息强化对local特征的学习。

创新：

• Batch DropBlock，这个思路和Random Erasing如出一辙，只不过Random Erasing在图像层面，而Batch DropBlock在特征层面。既然原理相似，那只要把Random Erasing对于图片层面的说辞换成特征层面就行了。
• Batch DropBlock， 顾名思义， 就是对一个batch的特征加入DropBlock。DropBlock是Google之前提出的Dropout系列的一个正则化的模块，这个在SONA网络中有用到。
  这样一个batch的所有特征的同一区域都加入了mask对于这几个Drop操作，作者也很贴心画了图，一目了然：
  
• 作者举了一个例子也很好，如果对一个batch内的样本的特征随机打mask，如果anchor和neg样本头部打了mask，pos样本在脚打了mask，那么在Triplet loss的时候，损失函数将无法将这些local特征一一对应。
  
• 参数设置，$r_{h} = 0.3, r_{w} = 1.0$rh​=0.3,rw​=1.0，即纵向占比0.3，横向占比为1，至于位置则是随机的。

框架：

1. 框架结构：单一分支
2. 特征：使用Global Max Pooling和Global Average Polling后的特征进行学习。其中，Global Max Pooling的特征加入了Batch DropBlock模块，期望可以更好学习到local特征。
3. 损失函数：CE loss+ BH triplet loss
4. backbone：resnet50 使用last-stride = 1

实验：

这个实验对比了cutout和random erasing对于结果的提升，看样子cutout要优于random erasing。
之前我也以为这两个方法是一样的，只不过叫法不同，查资料后原来还是有差别的。

在除了market上的结果都很好。

疑惑：

我的疑问在RE，Cutout的对比试验，如果作者不使用cutout而使用BDB＋RE，那不就是可以理解为是Bag of trick的baseline+Batch DropBlock分支。但是加入后market上效果从94.5掉到了94.4，这样看样子效果甚至不如不加。转念一想，那这篇文章的亮点我感觉是cutout而不是DropBlock啊。。。