人体重识别
blame | 历史 | 原始文档
Scheaven
2021-09-18 291deeb1fcf45dbf39a24aa72a213ff3fd6b3405 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77

B  


ƒ¨–_lã@sdZddlZddlmmZddlmZe ¡dd„ƒZ    ddd„Z


d    d


„Zdd„Zd d„Z dd„Zdd„ZGdd„deƒZGdd„deƒZdS)z9


@author:  liaoxingyu


@contact: sherlockliao01@gmail.com


éN)Úcommcs@‡fdd„ttj ¡ƒDƒ}tjj|ˆddtj|dd}|S)zƒ


    Performs all_gather operation on the provided tensors.


    *** Warning ***: torch.distributed.all_gather has no gradient.


    csg|]}t ˆ¡‘qS©)ÚtorchÚ    ones_like)Ú.0Ú_)Útensorrú ./modeling/losses/metric_loss.pyú


<listcomp>sz%concat_all_gather.<locals>.<listcomp>F)Úasync_opr)Údim)ÚrangerÚdistributedÚget_world_sizeÚ


all_gatherÚcat)rZtensors_gatherÚoutputr)rr    Úconcat_all_gathers


 


réÿÿÿÿcCs(d|tj|d|dd |¡d}|S)zžNormalizing to unit length along the specified dimension.


    Args:


      x: pytorch Variable


    Returns:


      x: pytorch Variable, same shape as input


    gð?éT)Úkeepdimgê-™—q=)rÚnormÚ    expand_as)ÚxÚaxisrrr    Ú    normalizes$rcCs†| d¡| d¡}}t |d¡jddd ||¡}t |d¡jddd ||¡ ¡}||}| dd|| ¡¡|jdd ¡}|S)    NrréT)réþÿÿÿgê-™—q=)Úmin)    ÚsizerÚpowÚsumÚexpandÚtÚaddmm_ÚclampÚsqrt)rÚyÚmÚnÚxxÚyyÚdistrrr    Úeuclidean_dist's"r-c    CsŽ| d¡| d¡}}t || dd¡¡}t t t |d¡d¡¡ |d¡ d|¡t t t |d¡d¡¡ d|¡ |d¡}||}d|S)Nrrr)    rrÚmatmulÚ    transposer&r!r ÚviewÚrepeat)rr'Zbs1Zbs2Zfrac_upZ    frac_downZcosinerrr    Úcosine_dist1s(,r2cCsTtj||dddd}||}tjt |¡|dddd}t |¡||}|S)NrT)rrrgíµ ÷Æ°>)rÚmaxr!Úexp)r,ÚmaskZmax_vÚdiffÚZÚWrrr    Úsoftmax_weights:s


r9cCs‚t| ¡ƒdkst‚| d¡}tj|| ¡ |d¡ddd\}}tj|| ¡ |d¡ddd\}}| d¡}| d¡}||fS)aFor each anchor, find the hardest positive and negative sample.


    Args:


      dist_mat: pair wise distance between samples, shape [N, M]


      is_pos: positive index with shape [N, M]


      is_neg: negative index with shape [N, M]


    Returns:


      dist_ap: pytorch Variable, distance(anchor, positive); shape [N]


      dist_an: pytorch Variable, distance(anchor, negative); shape [N]


      p_inds: pytorch LongTensor, with shape [N];


        indices of selected hard positive samples; 0 <= p_inds[i] <= N - 1


      n_inds: pytorch LongTensor, with shape [N];


        indices of selected hard negative samples; 0 <= n_inds[i] <= N - 1


    NOTE: Only consider the case in which all labels have same num of samples,


      thus we can cope with all anchors in parallel.


    rrrrT)r)    ÚlenrÚAssertionErrorrr3Ú


contiguousr0rÚsqueeze)Údist_matÚis_posÚis_negÚNÚdist_apZrelative_p_indsÚdist_anZrelative_n_indsrrr    Úhard_example_miningBs


  


 


rDcCsvt| ¡ƒdkst‚| ¡}| ¡}||}||}t||ƒ}t||ƒ}tj||dd}tj||dd}||fS)aYFor each anchor, find the weighted positive and negative sample.


    Args:


      dist_mat: pytorch Variable, pair wise distance between samples, shape [N, N]


      is_pos:


      is_neg:


    Returns:


      dist_ap: pytorch Variable, distance(anchor, positive); shape [N]


      dist_an: pytorch Variable, distance(anchor, negative); shape [N]


    rr)r)r:rr;Úfloatr9rr!)r>r?r@rBrCZ


weights_apZ


weights_anrrr    Úweighted_example_miningls


 


rFc@s eZdZdZdd„Zdd„ZdS)ÚTripletLosszÁModified from Tong Xiao's open-reid (https://github.com/Cysu/open-reid).


    Related Triplet Loss theory can be found in paper 'In Defense of the Triplet


    Loss for Person Re-Identification'.cCs<|jjjj|_|jjjj|_|jjjj|_|jjjj    |_


dS)N)ÚMODELÚLOSSESÚTRIÚMARGINÚ_marginÚ    NORM_FEATÚ_normalize_featureÚSCALEÚ_scaleÚHARD_MININGÚ_hard_mining)ÚselfÚcfgrrr    Ú__init__‹szTripletLoss.__init__cCsB|jrt|dd}t ¡dkr0t|ƒ}t|ƒ}n|}|}t||ƒ}| ¡\}}| |d¡ ||¡     | |d¡ ||¡ 


¡¡}| |d¡ ||¡ | |d¡ ||¡ 


¡¡}    |jrÂt |||    ƒ\}


}nt|||    ƒ\}


}| ¡ |¡ d¡}|jdkrtj||


||jd} n0t ||


|¡} | tdƒkr8tj||


|dd} | |jS)Nr)rrr)ÚmarginÚInfg333333Ó?)rNrrrrr-rr0r"Úeqr#ÚnerRrDrFÚnewÚ


resize_as_Úfill_rLÚFÚmargin_ranking_lossÚsoft_margin_lossrErP)rSÚ    embeddingÚtargetsÚ all_embeddingÚall_targetsr>rAÚMr?r@rBrCr'Úlossrrr    Ú__call__‘s*


 


..zTripletLoss.__call__N)Ú__name__Ú


__module__Ú__qualname__Ú__doc__rUrfrrrr    rG†srGc@seZdZdd„Zdd„ZdS)Ú


CircleLosscCs.|jjjj|_|jjjj|_|jjjj|_dS)N)    rHrIÚCIRCLErOrPrKr(ÚALPHAÚs)rSrTrrr    rU´szCircleLoss.__init__cCshtj|dd}t ¡dkr,t|ƒ}t|ƒ}n|}|}t || ¡¡}| ¡\}}|     |d¡ 


||¡ |     |d¡ 


||¡ ¡¡}|     |d¡ 


||¡ |     |d¡ 


||¡ ¡¡}    ||  ¡     |d¡}


||      ¡     |d¡}t |


 ¡d|j¡}t | ¡|j¡} d|j}|j}|j||


|}|j| ||}t tj|ddtj|dd¡ ¡}||jS)Nr)rr)r]rrrrrr.r#rr0r"rXrYr<ÚreluÚdetachr(rnÚsoftplusÚ    logsumexpÚmeanrP)rSr`rarbrcr>rArdr?r@Ús_pÚs_nÚalpha_pÚalpha_nÚdelta_pÚdelta_nZlogit_pZlogit_nrerrr    rfºs(


..


&zCircleLoss.__call__N)rgrhrirUrfrrrr    rk³srk)r)rjrÚtorch.nn.functionalÚnnÚ


functionalr]ÚutilsrÚno_gradrrr-r2r9rDrFÚobjectrGrkrrrr    Ú<module>s


 


    *-