Even
@Mebigger 对的，因为我这里有8块GPU，通常0号GPU专门用来测试，并不用来训练，所以不是0
@Mebigger 过拟合是因为相对于模型容量大小，训练数据量偏少，但是不影响车辆比对，在进行比对时只需要提取特征向量，计算夹角余弦，跟设定阈值比对即可：  ，pair_set_car.txt是VehicleID中留作test的数据(可以参考我刚上传的dataset.py中process_car和gen_test_pairs函数的处理)，格式：每一行一条数据，包括，两张图片的路径和标签（0 or 1,1表示是同一个对象）
@Mebigger Foclaloss主要针对正负样本不均衡的情况，特别像object detection中负样本远远大于正样本的情况，至于在分类中这种样本不均衡的情况要小得多，所以FocalLoss是否变现更好是不一定的，跟数据集本身的特点有关。
@Mebigger 无论Arc loss还是Focal loss都是基于Softmax loss(或CrossEntropy loss)的改进，本质上仍是Softmax loss，从上面的公式也可看出来，无非是对输入到最后Softmax的向量元素权重有不同。所以，Arc loss和Focal loss可同时使用。当然你可以在最后一层经过Arc loss计算之后直接送入CrossEntropy loss.
@Mebigger branch==5时提取最终的1024维特征向量，test准确率较低的根本原因在于训练数据的不足，导致过拟合。如果要test准确率达到train差不多的水平，估计需要至少10W数量级的训练数据。
完全可以，可以尝试。
@tkone2018 车辆检索可以在车辆重识别的基础上做，具体步骤参考issue #1
@llwowowowoll 请参考issue#1
@llwowowowoll 不好意思，比较忙
@BattleZhan 根据报错，很有可能您的输出类别数量不正确，可以仔细检查一下代码。