bupt-ai-cz / hhcl-reid Goto Github PK

您好，感谢您进一步完善了相关代码。

在复现及阅读代码过程中遇到一些问题，经过一段时间还是有疑惑，在此提问，希望您能抽出宝贵时间来解惑。

在论文4.3节提到，新构建了一个P*C的instance features memory bank。在代码中，这一部分对应到train.py的206-212行代码，有CMhybrid和CMhybrid_v2两种类型bank。CMhybrid是直接加倍cluster_featuers；CMhybrid_v2则按照论文所说从每个类中随机抽取P个instace feature，相当于在cluster_features基础上新加了P*C个特征。

按照您提供的训练模型，性能较好的却是采用CMhybrid类型的bank，而CMhybrid没有构建论文4.3节中提出的P*C的instance feature memory bank.这个核心点。

请问我理解的对吗？

CMhybrid和CMhybrid_v2的区别您认为有何不同呢？

非常期待您的回复！

注：train.py和cm.py文件中，cmhybrid拼写出现了小错误。

我自己跑了一下，效果不太好，能解释一下吗？

我发现这里训练的时候没有使用到outlier，这样会损失一部分的数据在模型更新上？请问有实验过加outlier的情况吗？

您好，论文中公式(6)(7)采用余弦相似度来挑选难正样本和难负样本，但是为何难正样本是argmax，难负样本是argmin呢？不应该反过来吗？
非常期待您的回复~

请问这段代码的意思是用hard positive去对当前质心做动量更新吗？这样可以对应论文中的使用hard positive做对比学习吗？那hard negtive如何在代码中体现呢？

(tf1.14) root@dl-220706210722719-pod-jupyter-58b598676f-pfb64:~/HHCL-ReID# CUDA_VISIBLE_DEVICES=0 python examples/train.py -b 256 -a resnet50 -d market1501 --iters 200 --eps 0.45 --momentum 0.1 --num-instances 16 --pooling-type avg --memorybank CMhybrid --epochs 60 --logs-dir examples/logs/market1501/resnet50_avg_cmhybrid
Traceback (most recent call last):
File "examples/train.py", line 20, in
from hhcl import datasets
File "/root/HHCL-ReID/hhcl/init.py", line 3, in
from . import datasets
File "/root/HHCL-ReID/hhcl/datasets/init.py", line 7, in
from .veri import VeRi
ModuleNotFoundError: No module named 'hhcl.datasets.veri'

完全无监督

有监督

您好，在使用所提供的训练模型进行测试时，发现性能并没有论文中所提到的精度，是不是上传有错误呢？

您好，感谢您非常出色的工作！

但是我在复现时遇到一些问题：

1. model下载链接指向错误，指向了SPCL的训练后的模型，难道通用？
2. evaluation_metrics文件夹中缺失ranking.py文件。我使用cluster-contrast-reid中的文件进行替换后可以运行，但不知是否有影响。
3. utils文件夹下缺失serialization.py文件。解决方法同2。

非常期待您的回复，谢谢！

请问有没有可视化的例子呢

首先感谢您做出的杰出贡献！
最近在我复现您的代码的过程中，我发现我复现的结果和您论文中的结果存在一定的性能差距。我在market1501上不做任何修改使用run.sh中的命令执行，使用CMhybrid memory最终获得的性能是82.4%mAP，和84.2有些差距。请问下您还有使用一些别的技巧或者改进了代码进一步提高了性能？
期待得到您的回复，谢谢！

运行过程中出现下面的问题 是什么原因呢 该怎么解决呢
==> Statistics for epoch 0: 1 clusters
Traceback (most recent call last):
File "/export/H/examples/hhcl/utils/data/init.py", line 24, in next
return next(self.iter)
File "/export/zhangshuorui/anacondagpu/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 521, in next
data = self._next_data()
File "/export/anacondagpu/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 1176, in _next_data
raise StopIteration
StopIteration

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
File "examples/train.py", line 397, in
main()
File "examples/train.py", line 122, in main
main_worker(args)
File "examples/train.py", line 314, in main_worker
trainer.train(epoch, train_loader, optimizer,
File "/export/H/examples/hhcl/trainers.py", line 25, in train
inputs = data_loader.next()
File "/export/H/examples/hhcl/utils/data/init.py", line 27, in next
return next(self.iter)
File "/export/anacondagpu/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 521, in next
data = self._next_data()
File "/export/anacondagpu/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 1176, in _next_data
raise StopIteration
StopIteration

运行命令
CUDA_VISIBLE_DEVICES=6,7 python examples/train.py -b 256 -a resnet50 -d market1501 --iters 200 --eps 0.45 --num-instances 16 --pooling-type avg --memorybank CMhybrid --epochs 60 --logs-dir examples/logs/market1501/resnet50_avg_cmhybrid
数据集存放路径
examples/data/market1501/Market-1501-v15.09.15

当我用两个GPU，选择batch_size为128时，在market1501数据集上的map只有75.0，与论文中数据对比降低了10个百分点。请问这个数据合理吗？

loss = self.hard_weight * (self.cross_entropy(output_hard, targets) + (1 - self.hard_weight) * self.cross_entropy(output_mean, targets))

您好，我想求教一下，这个loss公式和论文中的公式2吻合吗？

想问一下您的GPU显存是多少呢

Is the number of GPUs or type of GPU effective in accuracy that achieved in the paper? and if yes, why?
If I don't have 4 GPUs and I have 1 GPU, what would happen when running the code?
and what should I have do to get the paper results with 1 GPU?

你好，我用一块RTX 24g的卡在market1501数据集上使用命令训练：

PYTHONIOENCODING=utf-8 CUDA_VISIBLE_DEVICES=0 python train.py -b 256 -a resnet50 -d market1501 \
--iters 200 --eps 0.45 --num-instances 16 --pooling-type avg --memorybank CMhybrid --epochs 60 \
--logs-dir work_dirs/logs/market1501/resnet50_avg_cmhybrid�

但得到的结果mAP=71.4,Top-1=85.7，相差10个点以上，请问，单卡训练时有影响性能的情况么？其他的参数有什么需要另外设置的嘛？
谢谢！