ReID环境准备

表征学习代码实现

其最经典的网络是IDENet，度量学习：triple loss，ReID的半壁江山。
分类问题，分类行人的ID。

• 分类损失也叫ID损失，只有ID损失的网络称为ID Embeding网络(IDE网络)。
• 训练集中行人的ID数为网络的类别数。
• 特征层后接一个分类FC，经过Softmax激活函数计算交叉熵损失。
• 测试阶段使用倒数第二层的特征向量进行检索，分类FC层丢失。

数据集准备

Market1501

1. "bounding_box_test"有19732张图片。
2. "bounding_box_train"有12936张图片。
3. “query”.There are 750 identities. 3368张图片。
4. “gt_query”
5. “gt_bbox”

测试时将"query"当"probe"，“bounding_box_test"当"gallery”

• “0001” 是person ID，每个人都有一个不同的person ID。“0000”, "000-1"是干扰项。
• "c1"是第一个相机的ID，在这个数据集中一共有6个相机。测试时同一个相机的图片需要做互斥处理。
• “s1” is the sequence 1 of camera 1. 根据时间先后对序列排序，序列信息主要用在序列ReID或者tracking上，单帧ReID用不上。
• "001051"是序列里的第1051帧，用不上。
• “00” means that this bounding box is the first one among the several.

代码实现

主要代码：

• data_manager.py：自动处理数据集，返回数据集的一些常用属性。
• data_loader.py：吐数据的dataloader。
• transform.py：数据预处理代码，可以自定义数据增广等。
• model.py：提取特征的模型(ResNet50)。
• train.py：主文件，包含训练、测试等代码。
• utils.py：一些可能会用到的功能代码。

data_manager.py

#文件路径，标注信息(ID, CAMID)，图片数量

先定义文件路径， def __init__ (self, root='data', **kwargs):

路径不存在时报错处理，def _check_before_run(self):

然后，取图片的重要信息#文件路径，标注信息(ID, CAMID)，图片数量

def _process_dir(self, relabel=False):
    img_paths = glob.glob(osp.join(dir_path,'*.jpg'))
    embed() #把所有.jpg结尾的文件以绝对路径的形式列出来
    pattern = re.compile(r'([-\d]+)_c(\d)')
    pid_container = set() #set是去重的，list不是
    for img_path in img_paths:
        pid, _ = map(int, pattern.search(img_path).group())
        if pid == -1: continue
            pid_container.add(pid)
    pid2label = {pid:label for label, pid in enumerate(pid_container)}
    embed() #映射关系