预训练模型

[wiwanchi]

你好，可以提供描述器的预训练模型吗？

[xtcpete]

您好，描述器的权重可以从提供的RDD预训练模型中提取
state_dict = torch.load('./weights/RDD-v2.pth', map_location='cpu') descriptor_state_dict = {k: v for k, v in state_dict.items() if k.startswith('descriptor')}

[wiwanchi]

好的，我在训练检测器时只加载了您提供的描述器部分的权重而非自己训练的，2个epoch之后评估的结果为{'auc_5': np.float64(0.46718980482402184), 'auc_10': np.float64(0.6271740776638616), 'auc_20': np.float64(0.7538047475347779)
与论文结果相差较大，这是为什么？

[xtcpete]

您好，我可能需要更多信息才能回答您的问题。能给我看一下tensorboard记录的loss变化和告知我您具体的训练过程吗？

[wiwanchi]

我查看了QA的历史纪录，根据您说的检测器训练了1/2个epoch后收敛，目前正在训练第三个epoch，这是tensorboard的auc变化情况

[xtcpete]

是的，检测器的收敛比较快。请问您有改变batch size这些参数吗？您也可以用保存的best权重跑一下benchmark看看。

[wiwanchi]

您好，我并没有修改batch_size等参数，评估的结果与论文相差较大：RDD auc: [np.float64(0.46139218545908367), np.float64(0.6193463562686331), np.float64(0.74756163093244)]以及RDD auc: [np.float64(0.4945805324547258), np.float64(0.6432480526661791), np.float64(0.7587161671732007

[xtcpete]

您加载的描述器是v1的权重吗？

[wiwanchi]

是的，因为我希望重现论文的结果

[xtcpete]

了解了，仓库中现有的训练代码是v2的训练代码，和论文中所描述的有些不同。在论文中，v1是使用了Air-to-Ground和megadepth两个数据集训练。并且数据加载的方式有所不同，v2是同时resize和crop了图片而v1仅resize了图片。这些可能是造成差异的原因。我现在还在重新收集Air-to-Ground数据，您可以先尝试复现v2的结果。

[wiwanchi]

感谢您的回答，我目前可以通过加载V1的权重来复现出论文中的结果，这样可以吗？因为考虑到V1和V2对数据的预处理方式不同

[xtcpete]

您好，从您之前提供的信息来看是没有什么问题，就是可能没有办法完全复现出一模一样的数字。