只通過拉近特徵之間的距離來訓練REID 模型

在正常的行人重識別深度學習的模型中，都是先將行人圖片經過backbonne網絡，提取特徵，然後再將特徵和Linear層進行了鏈接，然後根據輸出的分類概率，來反饋，對網絡進行優化。我就在想，可不可以不經過最後的分類層，而是直接在特徵的層面進行優化。所以我寫了一個損失函數：

import torch
import torch.nn as nn

class Features_Loss(nn.Module):
    def __init__(self):
        super(Features_Loss,self).__init__()

    def forward(self, features, batch_size, person_num):
        loss_all = 0
        loss_temp = 0
        for id_index in range( batch_size // person_num ):

            features_temp_list = features[id_index*person_num:(id_index+1)*person_num+1]
            loss_temp = 0
            distance = torch.mm(features_temp_list,features_temp_list.t())
            distance = 1 -distance

            for i in range(person_num):
                for j in range( i + 1, person_num ):
                    loss_temp = loss_temp + distance[i][j]
            loss_temp = loss_temp / ( person_num * (person_num-1)/2 )
            loss_all = loss_all +  loss_temp
        loss_all = loss_all / ( batch_size // person_num )
        return loss_all

送入這個損失函數的都是經過了標準化的特徵向量，這個函數讓相同label的行人圖片的特徵在餘弦距離這個層面上拉近。

在數據的準備階段，我讓每個batch中包含K個ID的行人，每個ID下面存在N張圖片，就像是triplet loss那樣對數據的mini batch進行採樣。

訓練的時候，我首相將epoch設置爲1，產生了epoch1.pth爲訓練的結果，然後又設置爲60進行訓練，這次的訓練結果爲epoch60.pth 。

我們的這個訓練過程的代碼，以及訓練好的模型，都上傳到了github上，地址爲：https://github.com/t20134297/reid_with_features_loss_only

首先運行 python3 train.py來訓練模型，然後運行python3 test.py就可以測試了，這個簡單的模型獲得rank1在60%左右。