PVEN
PVEN copied to clipboard
silverbulletmdc
VehicleID数据集结果
作者您好，请问您在Vehicle ID数据集上训练的时候的超参数是怎么设置的呢，我把您的代码数据换成Vehicle ID数据集的时候，训练结果在800的测试集上的rank1和您论文里的结果有大概一到两个点的出入
论文提供的结果是8卡训练的结果，batch_size为256（刚看了一下好像确实没有在文章中说清楚，感谢提醒）。另外VehicleID的测试方法有所不同，是随机采样10次后取平均。
论文提供的结果是8卡训练的结果，batch_size为256（刚看了一下好像确实没有在文章中说清楚，感谢提醒）。另外VehicleID的测试方法有所不同，是随机采样10次后取平均。
好的，谢谢您的回答，还有一个细节想问一下，就是文章Figure 5部分的heatmap是怎么做的呢，能否细说一下？
论文提供的结果是8卡训练的结果，batch_size为256（刚看了一下好像确实没有在文章中说清楚，感谢提醒）。另外VehicleID的测试方法有所不同，是随机采样10次后取平均。
好的，谢谢您的回答，还有一个细节想问一下，就是文章Figure 5部分的heatmap是怎么做的呢，能否细说一下？
这是CAM的一个变种。GAP之后不是会对每辆车得到1024维的特征嘛，然后求距离时不同特征对于最后的距离的贡献不同。利用这个距离作为权重，对GAP之前的最后一层激活图做加权求和，最后再归一化就得到不同位置的响应。然后转化成颜色即可。部分代码在 visualize.py
论文提供的结果是8卡训练的结果，batch_size为256（刚看了一下好像确实没有在文章中说清楚，感谢提醒）。另外VehicleID的测试方法有所不同，是随机采样10次后取平均。
好的，谢谢您的回答，还有一个细节想问一下，就是文章Figure 5部分的heatmap是怎么做的呢，能否细说一下？
这是CAM的一个变种。GAP之后不是会对每辆车得到1024维的特征嘛，然后求距离时不同特征对于最后的距离的贡献不同。利用这个距离作为权重，对GAP之前的最后一层激活图做加权求和，最后再归一化就得到不同位置的响应。然后转化成颜色即可。部分代码在 visualize.py 抱歉，我对这里的权重不是特别理解，按照我的理解，在CAM里面，权重是分类层的W对应于id的一行，表示的是GAP前的每个channel的比重，但是Reid中的query集和gallery集都不在训练集里面，在W中是没有对应的信息的，所以是不能用。您说的利用距离作为权重是什么意思呢，如果涉及到距离的话，一般就不能只用一张图片的信息了吧，两张图片才可以计算距离嘛，但是您给的code里面，weights是权重, featuremap应该就是GAP前面的输出，也就是model.base出来的部分, image是原图，如果只是对一张图片在做，这里的weight具体该怎么计算呢？
作者您好，请问您在Vehicle ID数据集上训练的时候的超参数是怎么设置的呢，我把您的代码数据换成Vehicle ID数据集的时候，训练结果在800的测试集上的rank1和您论文里的结果有大概一到两个点的出入
您好，可以分享一下您换到Vehicle ID数据集后的代码吗？万分感谢~
