第三十七周学习笔记

第三十七周学习笔记

SuperPoint复现进度

evaluation

测试的时候发现即便在图中看起来MagicPoint的预测结果与ground truth相似，但是实际的准确率和召回率均很低，调整好阈值之后，均在0.6左右，加上nms之后，可以达到0.8左右

奇怪的现象，即便test_loss变大了，但是precision和recall竟然也变大

计算mAP

为了计算出mAP，先要计算出AP值，这里遇到了以下误区：

• 计算每张图片的AP然后加和平均：这种算法是错的，而且对于全是高斯噪声的图片，由于全是负类标签，所以计算准确率和召回率的时候会出现分母为0的情况
• 为了弥补第一步中的错误，应该在全数据集上直接计算AP，因为作者评估的时候选择了1000张图片，所以计算AP的时候需要维持几个1000*120*160的数组，这对内存是很大的开销，直接计算得到AP仅有0.56，这是因为没有使用$ϵ=4$的容错率，即对于在关键点周围四格以内的预测均计算为正确的

由于作者没有给出细节，而在普通的计算AP的算法上加上$ϵ=4$的容错是十分奇怪的做法，因为当预测值不是标签但小于容错的时候，既不能直接将其计算为TP，因为这样做会导致recall最后大于1，也不能动态改变recall的分母，因为这会影响AP中给定r计算最大p的过程，更不可以将其算作FP，因为这样会导致precision偏低，我的选择是，当发现某个label周围$ϵ=4$中的第一个点时，即给TP加一，之后该区域中出现的所有点都不再算如TP中，这样做既能保证第一时间将检测到的点加入TP，同时保证了给定r计算最大p的正确性

针对前两个错误，提出第三个计算AP的方法：

这样计算出的AP是0.8034，pr曲线如图，红点标注的是固定r可以达到的最大p的位置

疑惑：大致观察了样本上的预测效果，几乎都在90%准确和召回率，为什么总体的AP这么低？相对于论文上的mAP=0.979，即便我计算出负类的AP是1，总的AP也只有0.9左右

分类计算AP和pr曲线：
1.checkerboard
AP=0.9518

2.cube
AP=0.9687

3.ellipse
undefined
4.line
AP=0.9387

5.multipoly
AP=0.9060

6.poly
AP=0.9536

7.star
AP=0.9739

8.stride
AP=0.5030

9.noise
undefined

可见，模型在stride上的预测效果非常差，对此去掉几大类后重新评估：

• 去掉stride AP=0.82
• 去掉stride和noise AP=0.87
• 去掉stride和noise和ellipse AP=0.91

由于严重的样本不均衡问题，负类的AP几乎可以估计为1，则去掉三类后的mAP=(0.91+1)/2=0.955，接近论文给出的值，但由于论文没有详细给出evaluation的方法，上述算法只是我根据给出的一个直观的评估方法，因此会有差异，但总体看来，除了在一些负样本上，模型的效果已经不错

ResNet18在CIFAR-10上的训练

代码位置
用原文参数训练

• mini batch 128
• 初始学习率0.1，在32k和48k次迭代时除以10
• 在64k次迭代时终止

结果得到的Top-1 error 是25.8%，可能由于以下原因：

• 参考论文得知，作者并没有直接使用ResNet18来训练CIFAR10，而是使用了更改了结构后的ResNet20，我一开始也觉得奇怪，因为使用ResNet18最后一层卷积得到的激活的feature map size是32/2^5=1 * 1，这样的下采样损失了大量的信息
• 我写的网络里有BUG

待下周排查

本周总结

• 评估MagicPoint完成，生成pseudo ground truth未完成
• learning opencv上册75%，未完成
• 论文阅读未完成

下周目标

• 生成pseudo ground truth
• learning opencv上册75%
• 阅读论文