PVEN代码阅读

最新推荐文章于 2023-06-19 00:50:05 发布

无名之辈_

最新推荐文章于 2023-06-19 00:50:05 发布

阅读量684

点赞数

文章标签：车辆重识别

本文链接：https://blog.csdn.net/nini_k/article/details/118416501

版权

该博客详细介绍了PVEN代码中计算全局特征和局部特征之间距离的方法，包括简单的线性计算和矩阵乘法。此外，还阐述了如何计算mAP，特别是针对1678个query逐个进行评估的过程。在数据加载部分，提到了meta_dataset以及train_dataset和valid_dataset的使用。最后，提出了使用‘关系网络’进行小样本学习的改进思路。

摘要由CSDN通过智能技术生成

计算全局特征之间距离

计算全局distmat:
公式如下：就是简单的线性计算
在这里插入图片描述

换句话说，就是需要传入5个参数，mat里的每个元素乘以beta，mat1和mat2进行矩阵乘法（左行乘右列）后再乘以alpha，最后将这2个结果加在一起。

# 全局距离
        print('Calculate distance matrixs...')
        # query
        qf = global_feats[:self.num_query]
        q_pids = np.asarray(self.pids[:self.num_query])
        q_camids = np.asarray(self.camids[:self.num_query])
        # gallery
        gf = global_feats[self.num_query:]
        g_pids = np.asarray(self.pids[self.num_query:])
        g_camids = np.asarray(self.camids[self.num_query:])

        qf = qf
        m, n = qf.shape[0], gf.shape[0]

        if self.rerank:
            distmat = re_ranking(qf, gf, k1=20, k2=6, lambda_value=0.3)

        else:
            # qf: M, F
            # gf: N, F
            if split == 0:
                distmat = torch.pow(qf, 2).sum(dim=1, keepdim=True).expand(m, n) + \
                    torch.pow(gf, 2)