DPM(Defomable Parts Model) 源码分析-训练

DPM(Defomable Parts Model)原理

首先调用格式：

example:
pascal('person', 2);   % train and evaluate a 2 component person model

pascal_train.m

[cpp]  view plain  copy

1. function model = pascal_train(cls, n) % n=2  
2.   
3. % model = pascal_train(cls)  
4. % Train a model using the PASCAL dataset.  
5.   
6. globals;   
7. %----------读取正负样本-----------------------  
8. % pos.im,neg.im存储了图像路径，pos.x1..pos.y2为box,负样本无box  
9. [pos, neg] = pascal_data(cls);  
10.   
11. % 按照长宽比，分成等量的两部分? 即将 component label  固定，phase2时，该值为latent variable。  spos为索引  
12. spos = split(pos, n);  
13.   
14. % -----------phase 1 : train root filters using warped positives & random negatives-----------  
15. try  
16.   load([cachedir cls '_random']);  
17. catch  
18. % -----------------------------phas 1--------------------------------  
19. % 初始化 rootfilters  
20.   for i=1:n  
21.     models{i} = initmodel(spos{i});  
22.     %---------train-------------  
23.     % model.rootfilters{i}.w  
24.     % model.offsets{i}.w  
25.     models{i} = train(cls, models{i}, spos{i}, neg, 1, 1, 1, 1, 2^28);  
26.   
27.   end  
28.   save([cachedir cls '_random'], 'models');  
29. end  
30.   
31. % -----------------phase2-------------------------------------------  
32. % :merge models and train using latent detections & hard negatives  
33. try   
34.   load([cachedir cls '_hard']);  
35. catch  
36.   model = mergemodels(models);  
37.   model = train(cls, model, pos, neg(1:200), 0, 0, 2, 2, 2^28, true, 0.7);  
38.   save([cachedir cls '_hard'], 'model');  
39. end  
40. %----------------phase 3----------------------------------------------  
41. % add parts and update models using latent detections & hard negatives.  
42. try   
43.   load([cachedir cls '_parts']);  
44. catch  
45.   for i=1:n  
46.     model = addparts(model, i, 6);  
47.   end   
48.   % use more data mining iterations in the beginning  
49.   model = train(cls, model, pos, neg(1:200), 0, 0, 1, 4, 2^30, true, 0.7);  
50.   model = train(cls, model, pos, neg(1:200), 0, 0, 6, 2, 2^30, true, 0.7, true);  
51.   save([cachedir cls '_parts'], 'model');  
52. end  
53.   
54. % update models using full set of negatives.  
55. try   
56.   load([cachedir cls '_mine']);  
57. catch  
58.   model = train(cls, model, pos, neg, 0, 0, 1, 3, 2^30, true, 0.7, true, ...  
59.                 0.003*model.numcomponents, 2);  
60.   save([cachedir cls '_mine'], 'model');  
61. end  
62.   
63. % train bounding box prediction  
64. try  
65.   load([cachedir cls '_final']);  
66. catch  
67.  % 论文中说用最小二乘，怎么直接相除了，都不考虑矩阵的奇异性  
68.   model = trainbox(cls, model, pos, 0.7);  
69.   save([cachedir cls '_final'], 'model');  
70. end  

initmodel.m

[cpp]  view plain  copy

1. function model = initmodel(pos, sbin, size)  
2.   
3. % model = initmodel(pos, sbin, size)  
4. % Initialize model structure.  
5. %  
6. % If not supplied the dimensions of the model template are computed  
7. % from statistics in the postive examples.  
8. %   
9. % This should be documented! :-)  
10. % model.sbin         8  
11. % model.interval     10  
12. % model.numblocks     phase 1 ：单独训练rootfilter时为2，offset,rootfilter；phase 2，为 4   
13. % model.numcomponents  1  
14. % model.blocksizes     （1）=1，（2）= root.h*root.w/2*31  
15. % model.regmult        0,1  
16. % model.learnmult      20,1  
17. % model.maxsize        root 的size   
18. % model.minsize  
19. % model.rootfilters{i}  
20. %   .size               以sbin为单位，尺寸为综合各样本的h/w，area计算出来的  
21. %   .w  
22. %   .blocklabel        blocklabel是为编号，offset（2）,rootfilter（2）,partfilter（12 or less）,def （12 same as part）虽然意义不同但是放在一起统一编号  
23. % model.partfilters{i}  
24. %   .w  
25. %   .blocklabel  
26. % model.defs{i}  
27. %   .anchor  
28. %   .w  
29. %   .blocklabel  
30. % model.offsets{i}  
31. %   .w               0  
32. %   .blocklabel       1  
33. % model.components{i}  
34. %   .rootindex    1  
35. %   .parts{j}  
36. %     .partindex  
37. %     .defindex  
38. %   .offsetindex    1  
39. %   .dim             2 + model.blocksizes(1) + model.blocksizes(2)  
40. %   .numblocks       2  
41.   
42. % pick mode of aspect ratios  
43. h = [pos(:).y2]' - [pos(:).y1]' + 1;  
44. w = [pos(:).x2]' - [pos(:).x1]' + 1;  
45. xx = -2:.02:2;  
46. filter = exp(-[-100:100].^2/400); % e^-25,e^25  
47. aspects = hist(log(h./w), xx); %  
48. aspects = convn(aspects, filter, 'same');  
49. [peak, I] = max(aspects);  
50. aspect = exp(xx(I)); %滤波后最大的h/w，作为最典型的h/w  
51.   
52. % pick 20 percentile area  
53. areas = sort(h.*w);  
54. area = areas(floor(length(areas) * 0.2)); % 比它大的，可以缩放，比该尺寸小的呢？  
55. area = max(min(area, 5000), 3000); %限制在 3000-5000  
56.   
57. % pick dimensions  
58. w = sqrt(area/aspect);  
59. h = w*aspect;  
60.   
61. % size of HOG features  
62. if nargin < 4  
63.   model.sbin = 8;  
64. else  
65.   model.sbin = sbin;  
66. end  
67.   
68. % size of root filter  
69. if nargin < 5  
70.   model.rootfilters{1}.size = [round(h/model.sbin) round(w/model.sbin)];  
71. else  
72.   model.rootfilters{1}.size = size;  
73. end  
74.   
75. % set up offset   
76. model.offsets{1}.w = 0;  
77. model.offsets{1}.blocklabel = 1;  
78. model.blocksizes(1) = 1;  
79. model.regmult(1) = 0;  
80. model.learnmult(1) = 20;  
81. model.lowerbounds{1} = -100;  
82.   
83. % set up root filter  
84. model.rootfilters{1}.w = zeros([model.rootfilters{1}.size 31]);  
85. height = model.rootfilters{1}.size(1);  
86. % root filter is symmetricf  
87. width = ceil(model.rootfilters{1}.size(2)/2);  % ？？？ /2  
88. model.rootfilters{1}.blocklabel = 2;  
89. model.blocksizes(2) = width * height * 31;  
90. model.regmult(2) = 1;  
91. model.learnmult(2) = 1;  
92. model.lowerbounds{2} = -100*ones(model.blocksizes(2),1);  
93.   
94. % set up one component model  
95. model.components{1}.rootindex = 1;  
96. model.components{1}.offsetindex = 1;  
97. model.components{1}.parts = {};  
98. model.components{1}.dim = 2 + model.blocksizes(1) + model.blocksizes(2);  
99. model.components{1}.numblocks = 2;  
100.   
101. % initialize the rest of the model structure  
102. model.interval = 10;  
103. model.numcomponents = 1;  
104. model.numblocks = 2;  
105. model.partfilters = {};  
106. model.defs = {};  
107. model.maxsize = model.rootfilters{1}.size;  
108. model.minsize = model.rootfilters{1}.size;  

 

learn.cc

[cpp]  view plain  copy

1. #include <stdio.h>  
2. #include <stdlib.h>  
3. #include <string.h>  
4. #include <math.h>  
5. #include <sys/time.h>  
6. #include <errno.h>  
7.   
8. /* 
9.  * Optimize LSVM objective function via gradient descent. 
10.  * 
11.  * We use an adaptive cache mechanism.  After a negative example 
12.  * scores beyond the margin multiple times it is removed from the 
13.  * training set for a fixed number of iterations. 
14.  */  
15.   
16. // Data File Format  
17. // EXAMPLE*  
18. //   
19. // EXAMPLE:  
20. //  long label          ints  
21. //  blocks              int  
22. //  dim                 int  
23. //  DATA{blocks}  
24. //  
25. // DATA:  
26. //  block label         float  
27. //  block data          floats  
28. //  
29. // Internal Binary Format  
30. //  len           int (byte length of EXAMPLE)  
31. //  EXAMPLE       <see above>  
32. //  unique flag   byte  
33.   
34. // number of iterations  
35. #define ITER 5000000  
36.   
37. // small cache parameters  
38. #define INCACHE 3  
39. #define WAIT 10  
40.   
41. // error checking  
42. #define check(e) \  
43. (e ? (void)0 : (printf("%s:%u error: %s\n%s\n", __FILE__, __LINE__, #e, strerror(errno)), exit(1)))  
44.   
45. // number of non-zero blocks in example ex  
46. #define NUM_NONZERO(ex) (((int *)ex)[labelsize+1])  
47.   
48. // float pointer to data segment of example ex  
49. #define EX_DATA(ex) ((float *)(ex + sizeof(int)*(labelsize+3)))  
50.   
51. // class label (+1 or -1) for the example  
52. #define LABEL(ex) (((int *)ex)[1])  
53.   
54. // block label (converted to 0-based index)  
55. #define BLOCK_IDX(data) (((int)data[0])-1)  
56.   
57. int labelsize;  
58. int dim;  
59.   
60. // comparison function for sorting examples   
61. // 参见 http://blog.sina.com.cn/s/blog_5155e8d401009145.html  
62. int comp(const void *a, const void *b) {  
63.   // sort by extended label first, and whole example second...  
64.     
65.   //逐字节比较的，当buf1<buf2时，返回值<0，当buf1=buf2时，返回值=0，当buf1>buf2时，返回值>0  
66.   // 先比较这五个量 [label id level x y]，也就是说按照 样本类别->id->level->x->y排序样本  
67.   int c = memcmp(*((char **)a) + sizeof(int),   
68.          *((char **)b) + sizeof(int),   
69.          labelsize*sizeof(int));// 5  
70.   if (c) //label 不相等  
71.     return c;  
72.     
73.   // labels are the same ，怎么可能会一样呢 id在正负样本集内从1开始是递增的啊  phase 2 阶段同一张图片产生的样本，id都是一样的  
74.   int alen = **((int **)a);  
75.   int blen = **((int **)b);  
76.   if (alen == blen) //长度一样  
77.     return memcmp(*((char **)a) + sizeof(int),   
78.           *((char **)b) + sizeof(int),   
79.           alen); //真霸气，所有字节都比较……  
80.   return ((alen < blen) ? -1 : 1);//按长度排序  
81. }  
82.   
83. // a collapsed example is a sequence of examples  
84. struct collapsed {  
85.   char **seq;  
86.   int num;  
87. };  
88.   
89. // set of collapsed examples  
90. struct data {  
91.   collapsed *x;  
92.   int num;  
93.   int numblocks;  
94.   int *blocksizes;  
95.   float *regmult;  
96.   float *learnmult;  
97. };  
98.   
99. // seed the random number generator with the current time  
100. void seed_time() {  
101.  struct timeval tp;  
102.  check(gettimeofday(&tp, NULL) == 0);  
103.  srand48((long)tp.tv_usec);  
104. }  
105.   
106. static inline double min(double x, double y) { return (x <= y ? x : y); }  
107. static inline double max(double x, double y) { return (x <= y ? y : x); }  
108.   
109. // gradient descent  
110. //---------------参照论文公式17 后的步骤---------------------------------------  
111. void gd(double C, double J, data X, double **w, double **lb) {  
112. //  C=0.0002, J=1, X, w==0, lb==-100);  
113. //      
114.   int num = X.num; //组数  
115.     
116.   // state for random permutations  
117.   int *perm = (int *)malloc(sizeof(int)*X.num);  
118.   check(perm != NULL);  
119.   
120.   // state for small cache  
121.   int *W = (int *)malloc(sizeof(int)*num);  
122.   check(W != NULL);  
123.   for (int j = 0; j < num; j++)  
124.     W[j] = 0;  
125.   
126.   int t = 0;  
127.   while (t < ITER) {  // 5000000 ，霸气……  
128.     // pick random permutation  
129.     for (int i = 0; i < num; i++) //组数  
130.       perm[i] = i;  
131.     //-------打乱顺序-----  
132.     // 论文中是随机选择一个样本，这里是随机排好序，再顺序取。  
133.     // 类似于随机取，但是这里能保证取到全部样本，避免单个样本重复被抽到，重复作用  
134.     for (int swapi = 0; swapi < num; swapi++) {  
135.       int swapj = (int)(drand48()*(num-swapi)) + swapi; //drand48 产生 0-1之间的均匀分布  
136.       int tmp = perm[swapi];  
137.       perm[swapi] = perm[swapj];  
138.       perm[swapj] = tmp;  
139.     }  
140.   
141.     // count number of examples in the small cache  
142.     int cnum = 0; //下面的循环部分的实际循环次数  
143.     for (int i = 0; i < num; i++) {  
144.       if (W[i] <= INCACHE) // 3  
145.         cnum++;  
146.     }  
147.     //-------------------------------------------------------  
148.     for (int swapi = 0; swapi < num; swapi++) {  
149.       // select example  
150.       int i = perm[swapi];  
151.       collapsed x = X.x[i];  
152.   
153.       // skip if example is not in small cache  
154.       //负样本分对一次+1，分错一次清为0  
155.       //连续三次都分对了，那么这个样本很有可能是 easy 样本  
156.       //直接让他罚停四次迭代  
157.       if (W[i] > INCACHE) { //3  
158.             W[i]--;  
159.             continue;  
160.       }  
161.   
162.       // learning rate  
163.       double T = t + 1000.0; //学习率，直接1/t太大了  
164.       double rateX = cnum * C / T;  
165.       double rateR = 1.0 / T;  
166.   
167.       if (t % 10000 == 0) {  
168.         printf(".");  
169.         fflush(stdout); //清除文件缓冲区，文件以写方式打开时将缓冲区内容写入文件  
170.       }  
171.       t++;  
172.         
173.       // compute max over latent placements  
174.       //  -----step 3----  
175.       int M = -1;  
176.       double V = 0;  
177.       // 组内循环，选择 Zi=argmax β*f 即文中的第3部  
178.       // 训练rootfiter时，x.num=1,因为随机产生的负样本其id不同  
179.       for (int m = 0; m < x.num; m++) {   
180.         double val = 0;  
181.         char *ptr = x.seq[m];  
182.         float *data = EX_DATA(ptr); //特征数据的地址 第9个数据开始，  
183.         //后面跟着是 block1 label | block2 data|block2 lable | block2 data    
184.         //                 1      |       1    |     2       |  h*w/2*31个float  
185.         int blocks = NUM_NONZERO(ptr); // phase 1，phase 2 : 2 个,offset,rootfilter  
186.         for (int j = 0; j < blocks; j++) {  
187.           int b = BLOCK_IDX(data); //   
188.           data++;  
189.           for (int k = 0; k < X.blocksizes[b]; k++)//（1）=1，（2）= root.h*root.w/2*31  
190.             val += w[b][k] * data[k]; //第一次循环是0  
191.           data += X.blocksizes[b];  
192.         }  
193.         if (M < 0 || val > V) {  
194.           M = m;  
195.           V = val;  
196.         }  
197.       }  
198.         
199.       // update model  
200.       //-----step.4 也算了step.5 的一半 ---------------  
201.       // 梯度下降，减小 w  
202.       for (int j = 0; j < X.numblocks; j++) {// 2  
203.         double mult = rateR * X.regmult[j] * X.learnmult[j]; // 0,1  20,1,1/T，对于block2,学习率at就是 1/t,block 1 为0  
204.         for (int k = 0; k < X.blocksizes[j]; k++) {  
205.           w[j][k] -= mult * w[j][k]; //不管是分对了，还是分错了，都要减掉 at*β,见公式17下的4,5   
206.         }  
207.       }  
208.       char *ptr = x.seq[M];  
209.       int label = LABEL(ptr);  
210.       //----step.5----------分错了，往梯度的负方向移动  
211.       if (label * V < 1.0)   
212.       {  
213.         W[i] = 0;  
214.         float *data = EX_DATA(ptr);  
215.         int blocks = NUM_NONZERO(ptr);  
216.         for (int j = 0; j < blocks; j++) {  
217.             int b = BLOCK_IDX(data);  
218.             //  yi*cnum * C / T*1,见论文中 公式16,17  
219.             double mult = (label > 0 ? J : -1) * rateX * X.learnmult[b];         
220.             data++;  
221.             for (int k = 0; k < X.blocksizes[b]; k++)  
222.                 w[b][k] += mult * data[k];  
223.             data += X.blocksizes[b];  
224.         }  
225.       } else if (label == -1)   
226.       {  
227.             if (W[i] == INCACHE) //3  
228.                 W[i] = WAIT; //10  
229.             else  
230.                 W[i]++;  
231.       }  
232.     }  
233.   
234.     // apply lowerbounds  
235.     for (int j = 0; j < X.numblocks; j++) {  
236.       for (int k = 0; k < X.blocksizes[j]; k++) {  
237.         w[j][k] = max(w[j][k], lb[j][k]);  
238.       }  
239.     }  
240.   
241.   }  
242.   
243.   free(perm);  
244.   free(W);  
245. }  
246.   
247. // score examples  
248. double *score(data X, char **examples, int num, double **w) {  
249.   double *s = (double *)malloc(sizeof(double)*num);  
250.   check(s != NULL);  
251.   for (int i = 0; i < num; i++) {  
252.     s[i] = 0.0;  
253.     float *data = EX_DATA(examples[i]);  
254.     int blocks = NUM_NONZERO(examples[i]);  
255.     for (int j = 0; j < blocks; j++) {  
256.       int b = BLOCK_IDX(data);  
257.       data++;  
258.       for (int k = 0; k < X.blocksizes[b]; k++)  
259.         s[i] += w[b][k] * data[k];  
260.       data += X.blocksizes[b];  
261.     }  
262.   }  
263.   return s;    
264. }  
265.   
266. // merge examples with identical labels  
267. void collapse(data *X, char **examples, int num) {  
268. //&X, sorted, num_unique  
269.   collapsed *x = (collapsed *)malloc(sizeof(collapsed)*num);  
270.   check(x != NULL);  
271.   int i = 0;  
272.   x[0].seq = examples;  
273.   x[0].num = 1;  
274.   for (int j = 1; j < num; j++) {  
275.     if (!memcmp(x[i].seq[0]+sizeof(int), examples[j]+sizeof(int),   
276.         labelsize*sizeof(int))) {  
277.       x[i].num++; //如果label 五个量相同  
278.     } else {  
279.       i++;  
280.       x[i].seq = &(examples[j]);  
281.       x[i].num = 1;  
282.     }  
283.   }  
284.   X->x = x;  
285.   X->num = i+1;    
286. }  
287.   
288. //调用参数 C=0.0002, J=1, hdrfile, datfile, modfile, inffile, lobfile  
289. int main(int argc, char **argv) {    
290.   seed_time();  
291.   int count;  
292.   data X;  
293.   
294.   // command line arguments  
295.   check(argc == 8);  
296.   double C = atof(argv[1]);  
297.   double J = atof(argv[2]);  
298.   char *hdrfile = argv[3];  
299.   char *datfile = argv[4];  
300.   char *modfile = argv[5];  
301.   char *inffile = argv[6];  
302.   char *lobfile = argv[7];  
303.   
304.   // read header file  
305.   FILE *f = fopen(hdrfile, "rb");  
306.   check(f != NULL);  
307.   int header[3];  
308.   count = fread(header, sizeof(int), 3, f);  
309.   check(count == 3);  
310.   int num = header[0]; //正负样本总数  
311.   labelsize = header[1]; // labelsize = 5;  [label id level x y]  
312.   X.numblocks = header[2]; // 2  
313.   X.blocksizes = (int *)malloc(X.numblocks*sizeof(int)); //（1）=1，（2）= root.h*root.w/2*31  
314.   count = fread(X.blocksizes, sizeof(int), X.numblocks, f);  
315.   check(count == X.numblocks);  
316.   X.regmult = (float *)malloc(sizeof(float)*X.numblocks); //0 ，1  
317.   check(X.regmult != NULL);  
318.   count = fread(X.regmult, sizeof(float), X.numblocks, f);  
319.   check(count == X.numblocks);  
320.   X.learnmult = (float *)malloc(sizeof(float)*X.numblocks);//20， 1  
321.   check(X.learnmult != NULL);  
322.   count = fread(X.learnmult, sizeof(float), X.numblocks, f);  
323.   check(count == X.numblocks);  
324.   check(num != 0);  
325.   fclose(f);  
326.   printf("%d examples with label size %d and %d blocks\n",  
327.      num, labelsize, X.numblocks);  
328.   printf("block size, regularization multiplier, learning rate multiplier\n");  
329.   dim = 0;  
330.   for (int i = 0; i < X.numblocks; i++) {  
331.     dim += X.blocksizes[i];  
332.     printf("%d, %.2f, %.2f\n", X.blocksizes[i], X.regmult[i], X.learnmult[i]);  
333.   }  
334.   
335.   // ---------------从 datfile 读取  正负 examples----------------  
336.   // examples [i] 存储了第i个样本的信息 长度为 1 int + 7 int +dim 个float + 1 byte  
337.   // 1 int      legth 样本包括信息头在内的总字节长度  
338.   // 7 int      [1/-1 id 0 0 0 2 dim] ,id为样本编号，[label id level centry_x centry_y]，2是block个数  
339.   // dim float  feature,dim=2+1+root.h*root.w/2*31,意义如下  
340.   //         block1 label | block2 data|block2 lable | block2 data  
341.   //               1      |       1    |     2       |  h*w/2*31个float  
342.   // 1 byte     unique=0  
343.   f = fopen(datfile, "rb");  
344.   check(f != NULL);  
345.   printf("Reading examples\n");  
346.     
347.   //+,-example数据  
348.   char **examples = (char **)malloc(num*sizeof(char *));   
349.     
350.   check(examples != NULL);  
351.     for (int i = 0; i < num; i++) {  
352.     // we use an extra byte in the end of each example to mark unique  
353.     // we use an extra int at the start of each example to store the   
354.     // example's byte length (excluding unique flag and this int)  
355.     //[legth label id level x y  unique] unique=0  
356.     int buf[labelsize+2];   
357.     //写入时的值为[1/-1 i 0 0 0 2 dim]   
358.     count = fread(buf, sizeof(int), labelsize+2, f);  
359.     check(count == labelsize+2);  
360.     // byte length of an example's data segment  
361.       
362.     //---前面七个是头，后面dim个float是样本特征数据，dim=2+1+root.h*root.w/2*31  
363.     int len = sizeof(int)*(labelsize+2) + sizeof(float)*buf[labelsize+1];     
364.     // memory for data, an initial integer, and a final byte  
365.     examples[i] = (char *)malloc(sizeof(int)+len+1);  
366.       
367.     check(examples[i] != NULL);  
368.     // set data segment's byte length  
369.     ((int *)examples[i])[0] = len;  
370.     // set the unique flag to zero  
371.     examples[i][sizeof(int)+len] = 0;  
372.     // copy label data into example  
373.     for (int j = 0; j < labelsize+2; j++)  
374.       ((int *)examples[i])[j+1] = buf[j];  
375.     // read the rest of the data segment into the example  
376.     count = fread(examples[i]+sizeof(int)*(labelsize+3), 1,   
377.           len-sizeof(int)*(labelsize+2), f);  
378.     check(count == len-sizeof(int)*(labelsize+2));  
379.   }  
380.   fclose(f);  
381.   printf("done\n");  
382.   
383.   // sort  
384.   printf("Sorting examples\n");  
385.   char **sorted = (char **)malloc(num*sizeof(char *));  
386.   check(sorted != NULL);  
387.   memcpy(sorted, examples, num*sizeof(char *));  
388.     
389.   //qsort 库函数，真正的比较函数为 comp  
390.   //从小到大，快速排序  
391.   //依次按照 样本类别->id->level->cx->cy  排序样本  
392.   //如果前面五个量都一样……  
393.   //1.等长度，比较所有字节；  
394.   //2.谁长谁小，长度不同是因为不同的component的 尺寸不一致   
395.     
396.   qsort(sorted, num, sizeof(char *), comp);   
397.   printf("done\n");  
398.   
399.   // find unique examples  
400.   // 唯一的样本，unique flag=1,  
401.   // 相同的样本第一个样本的unique flag为1，其余为0 ，有的样本的位置被，unique替代了，但是并没有完全删除掉  
402.   int i = 0;  
403.   int len = *((int *)sorted[0]); //负样本的第一个  
404.   sorted[0][sizeof(int)+len] = 1; // unique flag 置 1  
405.   for (int j = 1; j < num; j++) {  
406.     int alen = *((int *)sorted[i]);  
407.     int blen = *((int *)sorted[j]);  
408.     if (alen != blen || memcmp(sorted[i] + sizeof(int), sorted[j] + sizeof(int), alen)) //component不同 || 不同样本  
409.     {  
410.       i++;  
411.       sorted[i] = sorted[j];  
412.       sorted[i][sizeof(int)+blen] = 1; //标记为 unique  
413.     }  
414.   }  
415.   int num_unique = i+1;  
416.   printf("%d unique examples\n", num_unique);  
417.   
418.   // -------------------collapse examples----------------  
419.   // 前面是找完全不一样的样本，这里是分组  
420.   // label 的五个量 [label id level centry_x centry_y] 相同的分为一组，在detect时，写入了datfile   
421.   // 负样本的 cx,cy都是相对于整张图片的，正样本是相对于剪切后的图像  
422.   // 前面五个全相同，  
423.   // 对于phase1 不可能，因为正负样本的id都不相同  
424.   // 对于phase2 正样本只保留了最有可能是正样本的样本，只有一种情况,  
425.   // rootfilter1,rootfilter2在同一张图片(id相同)，检测出来的 Hard负样本 的cx,cy相同，因此一组最多应该只能出现2个 （待验证）  
426.   // 原因是此时的latent variable 为（cx,cy,component），上述情况相下，我们只能保留component1或者component2  
427.   // 后续训练时，这两个量是连续使用的，为什么呢？？  
428.   // collapse.seq(char **) 记录了每一组的第一个样本  
429.   // collapse.num 每组的个数  
430.   // X.num 组数  
431.   // X.x=&collapse[0]，也就是第一个 collapse的地址  
432.   collapse(&X, sorted, num_unique);  
433.   printf("%d collapsed examples\n", X.num);  
434.   
435.   // initial model  
436.   // 读modfile文件，得到w的初始值。phase 1 初始化为全 0，phase 2 为上一次训练的结果……  
437.   double **w = (double **)malloc(sizeof(double *)*X.numblocks);//2  
438.   check(w != NULL);  
439.   f = fopen(modfile, "rb");  
440.   for (int i = 0; i < X.numblocks; i++) {  
441.     w[i] = (double *)malloc(sizeof(double)*X.blocksizes[i]); //（1）=1，（2）= root.h*root.w/2*31  
442.     check(w[i] != NULL);  
443.     count = fread(w[i], sizeof(double), X.blocksizes[i], f);  
444.     check(count == X.blocksizes[i]);  
445.   }  
446.   fclose(f);  
447.   
448.   // lower bounds  
449.   // 读lobfile文件，初始化为全 滤波器参数下线-100 ……  
450.   double **lb = (double **)malloc(sizeof(double *)*X.numblocks);  
451.   check(lb != NULL);  
452.   f = fopen(lobfile, "rb");  
453.   for (int i = 0; i < X.numblocks; i++) {  
454.     lb[i] = (double *)malloc(sizeof(double)*X.blocksizes[i]);  
455.     check(lb[i] != NULL);  
456.     count = fread(lb[i], sizeof(double), X.blocksizes[i], f);  
457.     check(count == X.blocksizes[i]);  
458.   }  
459.   fclose(f);  
460.     
461.   
462.   printf("Training");  
463.   //-------------------------------- train -------------------------------  
464.   //-----梯度下降发训练参数 w，参见论文 公式17 后面的步骤  
465.   gd(C, J, X, w, lb);  
466.   printf("done\n");  
467.   
468.   // save model  
469.   printf("Saving model\n");  
470.   f = fopen(modfile, "wb");  
471.   check(f != NULL);  
472.   //   存储 block1,block2的训练结果，w  
473.   for (int i = 0; i < X.numblocks; i++) {  
474.     count = fwrite(w[i], sizeof(double), X.blocksizes[i], f);  
475.     check(count == X.blocksizes[i]);  
476.   }  
477.   fclose(f);  
478.   
479.   // score examples  
480.   // ---所有的样本都的得分,没有乘以 label y   
481.   printf("Scoring\n");  
482.   double *s = score(X, examples, num, w);  
483.   
484.   // ---------Write info file-------------  
485.   printf("Writing info file\n");  
486.   f = fopen(inffile, "w");  
487.   check(f != NULL);  
488.   for (int i = 0; i < num; i++) {  
489.     int len = ((int *)examples[i])[0];  
490.     // label, score, unique flag  
491.     count = fprintf(f, "%d\t%f\t%d\n", ((int *)examples[i])[1], s[i],   
492.                     (int)examples[i][sizeof(int)+len]);  
493.     check(count > 0);  
494.   }  
495.   fclose(f);  
496.     
497.   printf("Freeing memory\n");  
498.   for (int i = 0; i < X.numblocks; i++) {  
499.     free(w[i]);  
500.     free(lb[i]);  
501.   }  
502.   free(w);  
503.   free(lb);  
504.   free(s);  
505.   for (int i = 0; i < num; i++)  
506.     free(examples[i]);  
507.   free(examples);  
508.   free(sorted);  
509.   free(X.x);  
510.   free(X.blocksizes);  
511.   free(X.regmult);  
512.   free(X.learnmult);  
513.   
514.   return 0;  
515. }