一、《1st Place Solution to Google Landmark Retrieval 2020》
算法思路：
Step1：使用清洗过的GLDv2数据集训练初始embedding模型。
Step2：使用全量GLDv2数据基于Step1得到的模型进行迁移学习。
Step3：逐步扩大训练图片的尺度（512*512，640*640，736*736），模型性能得到进一步提升。
Step4：增加清洗后的数据的训练loss权重，进一步训练模型。
Step5：模型融合。
Notes：
1、Backbone模型为Efficientnet+global average pooling，训练使用了cosine softmax loss。
2、为了处理类别不均衡问题，使用了weighted cross entropy。
经验总结：
1、清洗后的数据有利于模型快速收敛。
2、全量大数据集有利于模型学习到更好的特征表示。
3、增加训练分辨率能提升模型性能。
二、《3rd Place Solution to “Google Landmark Retrieval 2020》
算法思路：
Step1：使用CGLDv2训练基础模型用于提取GLDv2全量图片特征，使用DBSCAN聚类方法更新图像类别，进行数据清洗。
Step2：使用了Corner-Cutmix的图像增广方法，进行模型训练。
Notes：
1、backbone为ResNest200和ResNet152，GAP池化，1*1卷积降维到512维，损失函数为cross entropy loss。
三、《Two-stage Discriminative Re-ranking for Large-scale Landmark Retrieval》
算法思路：
Step1：使用CNN特征进行KNN搜索，获取相似图片。
Step2：插入Step1遗漏的图片进行重新排序。
Notes：
1、Backbone模型为ResNet-101+Generalized Mean (GeM)-pooling，训练loss为ArcFace loss。
2、使用全局特征+局部特征对GLd-v2数据集进行清洗，用于后续模型训练。
四、《2nd Place and 2nd Place Solution to Kaggle Landmark Recognition and Retrieval Competition 2019》
算法思路：
1、使用GLD-v2全量数据分别训练Resnet152、ResNet200等模型，训练loss为ArcFace loss、Npairs loss，拼接各个backbone的特征，使用PCA降到512维，作为图像的全局特征。
2、使用全局特征进行KNN搜索，对搜索结果使用SURF、Hassian-Affine 和root sift局部特征进行再排序，并且使用了DBA和AQE。
五、《Detect-to-Retrieve: Efficient Regional Aggregation for Image Search》
算法思路：
Step1：使用GLD的带bbox数据集，训练Faster-RCNN或SSD检测模型，用于地标框的提取。
Step2：提出了D2R-R-ASMK方法，用于检测框内的局部特征提取与特征聚合。
Step3：使用聚合后特征在database中进行搜索。
Notes：
1、D2R-R-ASMK基于DELF局部特征抽取和ASMK特征聚合方法实现。
2、每张图片提取4.05个region的时候效果最好，search的内存占用会有相应增加。
六、《Unifying Deep Local and Global Features for Image Search》
算法思路：
Step1：统一在同一个网络中提取全局和局部特征
Step2：使用全局特征搜索top100的相似图片
Step3：使用局部特征对搜索结果进行重排序
Notes：
1、全局特征使用GeM池化和ArcFace loss。
2、局部特征匹配使用Ransac方法。