Introduction
现有主流方法采用了复杂的骨干网络，参数量大，处理速度慢。因此本文的目标是构建一个计算效率更高、更适合ReID的轻量级网络。
Neural Architecture Search(NAS)被利用来搜索轻量高效的网络，但一般需要非常高昂的计算资源，Differentiable architecture search的利用又大大降低了搜索成本，却依然存在以下瓶颈：1) cell之间包含复杂链接，不规则的cell结构不利于GPU运算；2) 没有区分不同层次的结构，而作者认为CNN需要级联不同深度的模式信息；3) 为了避免贡献非常低的分支在前向传播时也被计算，现有方法在两个节点中只计算了权重大的分支，而这个方法容易陷入局部最优。此外，作者发现，现有所搜空间不能学习ReID的组合模式特征，如下图所示。(对NAS不够了解，这部分不是很理解)
作者提出了一个新的搜索空间称为Combined Depth Sapce(CDS)和一个新的搜索策略称为Top-k Sample Search。在CDS中，设计了一个高效的Combind Block(CBlock)，其包含了两个独立分支来学习组合模式特征。此外，Top-k Sample Search依据前向传播时的权重计算前k个分支，避免了可忽略计算的分支以及陷入局部最优。且在每个阶段独立搜索cell。在训练阶段，进一步提出一个简单高效的Balance Neck(BLNeck)来解决交叉熵和三元组损失的训练目标不一致。引入局部条纹思想，得到Fine-grained Balance Neck(FBLNeck)进一步提高性能。
Methodology
(1) Combined Depth Space:
① CBlock：
作者采用Lite 3x3作为最基础的block；Lite k表示将Lite kxk替换为
个Lite 3x3以减少参数量；CBlock采用了双分支Lite结构，设置组合为
，
，由此得到6中CBlock。如下图所示：
定义将x输入到卷积核为k的Lite中，计算过程为：
op o t意思为op的过程重复t次.
两个Lite分支的融合过程引入了Adaptive Fusion Gate，在通道维度进行加权求和，最终通过1x1卷积恢复特征图尺寸。
② MBlock：
MBlock整合了上述CK中的6个不同卷积核尺寸的CBlock，每个分支赋予一个权重，表示该分支的重要性。
作者认为不同深度的网络模块会关注不同的信息，因此设计了一个宏观的框架，对不同深度的网络独立进行搜索。在开头采用了一个卷积stem，包含了一个7x7(stride=2)卷积和一个最大池化层(stride=2)，整体氛围3个阶段，每个阶段包含2个MBlock：
上述搜索空间称为Combined Space(CS)，该搜索框架称为CNet，由于每个MBlock有6个候选分支，因此搜索空间大小为
。
③ CDBlock：
为了有效地加深网络，作者认为应该在每个阶段分配适量的MBlock，而不是随机或者均匀分配。因此作者引入了depth factor到CS中，新的搜索空间为DCS，
，
，其中r表示CBlock重复次数。新的搜索空间大小为：
。
(2) Top-k Sample Search:
对于一个MBlock，定义6个MBlock权重为
，CS每个分支有6种选择，CDS每个分支有12种选择，即对应
的维数。因此，任务的目标为：
其中w为搜索网络，
为validation loss，
为training loss。训练时，先用训练集更新w，再用验证集更新α。
在搜索过程中，仅计算权重排名前k个分支。定义第i个MBlock前向传播为
，定义MBlock的第j个分支为
，定义分支数量为n，则MBlock的各个分支的概率分布为
：
之后定义一个二进制向量
，如果第j个分支权重位于前k名，则设置为1，即：
则前向传播计算为：
由于h值为0/1离散值，无法进行反向传播，因此设计如下计算：
其中带*的参数表示复制的不带梯度的变量，其梯度计算为：
(3) Fine-grained Balance Neck:
对浅层特征采用分块策略，对深层特征采用全局策略。注意在ID损失前增加了FC层，将适合三元组的映射空间转到适合softmax的映射空间。
Experiments
