本文共 648 字，大约阅读时间需要 2 分钟。

（1）Stride=1

实验证明，将ResNet的最后一个block的stride从2改为1，增大feature map，增加了像素的分辨率，特征会更加鲁棒，性能会得到一定程度的提升。

（2）针对业务场景使用合适的增强（augmentation）

调参：调整学习率、batch、训练周期等。

跳舞场景，可以添加旋转的augmentation。

遮挡场景，加一批半身的augmentation，把一些全身的图片刻意地截取一半训练。

（3）Random Erase可以增强泛化能力

随即擦除，防止过拟合，强迫关注更多地特征。

（4）用GAN造图配合label smooth可以扩充数据

解决数据稀缺的问题，有助于提高模型的泛化能力。GAN要配合label smooth，因为GAN造图即使再真实，也不能保存全部的ID信息，label不能像[0,0,1,0…]这样的hard，可以使用label smooth平滑一下[0.02,0.02,0.9,…]

（5）增大batchsize可以提高TriHard损失的效率

TriHard就是在一个Batch里面挑选一个最难的样本，计算Triplet loss。那么batchsize越大，可选的样本越多，挑选的样本也就越难，网络的泛化能力越强。

对于ReID问题，正常一张卡最多放128张图。

（6）Label noise和长尾效应是普遍存在的

label noise就是标注的噪声，长尾效应（82定律）就是有的ID图片量很多，有的ID图片量很少，数据不平衡。