跨境追踪（ReID）多粒度网络（MGN）详解及代码实现（2）

多粒度网络（MGN）的结构设计与技术实现

代码实现：

 

（一）参考代码：https://github.com/hugh67/reid-MGN-pytorch

 

（二）我的实验：

目标平台：类脑平台  https://www.bitahub.com/

GPU：1块 1080

训练集： Market1501，DukeMTMC-reID

实验次数：2

 

（三）实验1：对Market1501训练，训练时间大约6小时。

训练命令：

python main.py --reset --datadir /data/bitahub/Market-1501 --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --re_rank --random_erasing --save MGN_adam_margin_1.2 --nGPU 1 --lr 2e-4 --optimizer ADAM

训练结果：

可以看到： mAP: 0.9241 rank1: 0.9471 rank3: 0.9644 rank5: 0.9709 rank10: 0.9768 (Best: 0.9241 @epoch 160)

 

（四）实验2：对DukeMTMC-reID训练，训练时间大约8小时。

训练命令：

python main.py --num_classes 702 --data_train DukeMTMCreID --data_test DukeMTMCreID --reset --datadir /data/bitahub/DukeMTMC-reID --batchid 16 --batchtest 32 --test_every 40 --epochs 160 --decay_type step_120_140 --loss 1*CrossEntropy+2*Triplet --margin 1.2 --re_rank --random_erasing --save MGN_adam_margin_1.2 --nGPU 1 --lr 2e-4 --optimizer ADAM

训练结果：

可以看到：mAP: 0.8828 rank1: 0.9035 rank3: 0.9349 rank5: 0.9452 rank10: 0.9610 (Best: 0.8828 @epoch 160)

（5）由于时间及GPU问题，我没有多训练太多，大家可以试试不同的参数，一定可以得到更好得效果。