文章解读：
这两篇文章 A Strong Baseline and Batch Normalization Neck for Deep Person Re-identification Bag of Tricks and A Strong Baseline for Deep Person Re-identification 主体思想是一样的，但是区别在于第一篇文章更为全面，而且还分析backbone改动时的准确率的变化等，第二篇文章里面多的就是一些baseline具体训练策略和数据预处理
A Strong Baseline and Batch Normalization Neck for Deep Person Re-identification
文章的主题设计思想：
这篇文章的主旨就是提出了一个 strong baseline , 作者在该 baseline 中使用了6个tricks（使用 Resnet50 作为 backbone），分别为：
- warmup learning rate
- random erasing augmentation
- label smoothing
- last stride
- BN neck
- center loss
我就不在这里对这几个tricks进行深度说明了，有很多的博客都会有介绍，先对其机理进行理解
（1）为什么设计BNNeck
作者认为两个LOSS之间有冲突
（2）为什么有center loss
出发点：在做视频追踪的时候需要设置不同的阈值来判断是不是用一个人，但是阈值很难去设定，因为只有 triplet loss 的时候，两个输出（1.5-1.3）和（0.5-0.3）是一样的，所以我们没有办法用比如1这个阈值去分割正负样本，所以增加了 center loss ，她可以使得每个样本更靠近其类别的中心，这样的话上述的现象通过到类别中心作为基准，就可以消除这个现象了
作者提出的这几个tricks搭建的baseline，其模型的表现已经超过目前很多paper中提出的模型，作者认为其他人的paper可能使用了一个poor baseline，或者是使用了一个好的baseline，但是实际上paper提出的trick没有起到作用（质疑其他作者的tricks的实用性，确实很多paper提出的trick华而不实，换一个数据集就没有用了）
工业界更倾向于一个简单可靠的，而不是靠各个尺度特征的叠加，或者靠不同的标注分割信息等
REID 实现方法综述：
Reid 的 baseline 根据 loss 的种类可以分为两大类：
classification loss metric loss （目前的 baseline 都是将这两个合并，作者就是这么用的，最终两个输出：分类+度量）
一些现有的其余REID研究方法，这几种方式都是基于上述的loss，只是在网络结构或者数据或者标注信息上做手脚，以提升最终的准确度（map cmc）
下述的每一个又可以分为一个子领域，又有很多的文章：
- Stripe-based methods
- Pose-guided methods
- Mask-guided models
- Attention-based methods
- GAN-based methods
- Re-ranking methods
作者的比较实验：
作者比较了几个不同的baseline，比如 IDE,PCB TriNet(这几个对应的paper都可以通过文章后面的索引找到)，发现还是作者搭建的这个比较好，花花绿绿的模型不见得准确率高，鲁棒性强。
作者又对比了和pyramid网络的准确度，作者的稍微低了一点，但是pyramid网络用到了12个特征组合，作者搭建的只是用到了一个全局特征。
作者在不同的backbone上面试验了这些tricks，发现确实有影响，backbone好的出来的结果还是好，提取特征的能力强，目前是IBN-Net50-a 的准确度 高于 Resnet-50 的
Re-ranking是模型的后处理方式，并不是在训练的时候进行的处理
另一篇文章 Bag of Tricks and A Strong Baseline for Deep Person Re-identification：
baseline 中的数据预处理：
图像缩放至 256*128大小
图像进行零均值处理，减去固定mean 除以固定 std
Learning rate 开始值设置为 0.00035
triplet loss中的margin设置为 0.3
batch size的设置中 P=16 K=4
batch_size 的影响：
作者研究为什么batch_size会增大模型准确率，因为P K分别增加了难分正样本和难分负样本的比例
各个tricks的单独分析：
通过对各个tricks的分析，随机擦除对模型有害，慎重选择该方式，因为该方式有可能抹去了重要信息，比如头部，从而让模型学到了更多多余且无用的信息