新的一年咧
妈呀一大早来真tm困死我了
早上回顾了一下以前看的几篇ov paper，然后看到那几个蒸馏的，然后感觉有点怪怪的
《Global Knowledge Calibration for Fast Open-Vocabulary Segmentation》这个
他们用某一个数据集（比如coco panoptic，133类）进行训练，然后在别的数据集上验证，然后看mAP，这个训练验证模式没啥问题，但是就是，毕竟蒸馏只在训练的时候用到clip vision encoder，验证的时候就会把他去掉只留下一个base model，那就说明，我只能蒸馏到clip里面关于训练集的特征，那其他类别的特征捏，咋办
但是在他的实验里面，确实在其他数据集上是能提点的，我就感觉蛮神奇的（用coco panoptic训练）
所以我就有个猜想，会不会是，coco panoptic包含的133类，在其他这几个数据集里面也大量出现，那么只要把这133类训练好了，在其他数据集验证效果也会好？意思就是对于未知类可能其实效果不咋好（毕竟训练的时候又没有训练到，而且也没有任何相关的信息），但是架不住未知类别object占比少啊，那效果还是不会很差
所以我就想，分别看一下这几个数据集，每个类别的annotation在（自己数据集中）所有annotation的占比，如果训练集（即coco panoptic）包含的133类也在其他数据集大量出现，那其实很大概率这种蒸馏方法就不是 “开放世界” 的，他对于未知类别的分类能力其实还算是比较差，而且你看他验证ADE20K-847（847个类别），效果就不是特别好，这个数据集类别特别多，大概率跟coco panoptic的交集也少一点
然后下午终于开始跑代码了，不知道这次的结果怎么样，其实不用等他全部跑完，看刚开始几个epoch就能大概知道了，晚上8点应该就差不多了
感觉差不多，但是确实还是差了一点，and现在vpn断开了，本来还想着多跑几个epoch看一下怎么样，要是明显不好就换别的重新来，但是现在也只能乖乖等明天重连了
还有就是，还说我想看一下数据集的情况，md下载数据集就是一个不小的挑战，给老子整疯了要，而且同类数据集也有很多，就不知道他用的是哪个
tmd，见过其他数据集才知道coco格式有多好，操
明天：
看结果，改代码，继续跑，看论文
7769
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
