很易懂的行人重识别解读
多任务模型对于菜鸡来说是很好的炼丹方向,AlignedReID是早期的多任务模型,作为入门是个不错的选择,本文转载魏大明白的文章,做个文章归纳,主要是自己看的更轻松点。
0.alignedreid论文解析
训练阶段共有两个分支,其中局部分支使用最短路径损失来对其局部。
测试阶段,只是用全局特征,忽略局部特征,因为实验发现单用global feature和联合两个特征效果相差不大。
1.从零开始AlignedReID_01
数据集的加载
重构data_loader库
数据采样
2.从零开始AlignedReID_02
输入为N张图片,这里取32为一个batch,在输入前对图片进行转变,得到256×128的图片
Ret50神经网络
Input:x[32,3,256,128]
经过conv5卷积层得到x[32,2048,8,4]
全局分支:经过平均池化层得到global_feature:[32,2048]
local分支:实现水平池化(HorizontalMaxPool2D.py)、归一化、ReLU、1*1卷积=>[32,2048,8]
用if分割全局分支和局部分支,然后用if self.loss判断返回全局分支和局部分支,这就是model要做的事。
3.从零开始AlignedReID_03
loss
4.从零开始AlignedReID_04
CMC,mAP,re-rank
5.从零开始AlignedReID_05
模型训练,这部分代码中是最复杂的内容,把之前四个部分整合起来。
加载头文件
设置相关匹配项
主函数 main()
数据预处理
初始化数据集
数据增强
导入数据
模型加载
损失函数加载
优化器加载
判断是否是测试,导入test(...)
return 0
模型训练
调用train(...)
保存模型20,40,...
train()
if判断 xent_loss , global_loss , local_loss
loss = xent_loss + global_loss + local_loss
loss 反向传播
test()
feature计算dist
loss不用
天知道我什么时候才明明白白知道test()不用loss。
再次感谢魏同学的清晰解释。