reid部署时模型输出的疑问

[lesterlee89]

刚刚接触reid，关于reid部署时的一些疑问，希望作者或者各位大佬能够帮忙回答，感谢！
1.训练的时候metric loss和id loss中间有conv+bn层，metric lossloss输入的特征去算特征的距离，比如余弦距离，id loss输入的特征去算交叉熵损失这些。
2.模型评价或者部署的时候，输出的特征变为了id loss的输入特征，为何不直接使用metric loss的输入特征作为输出用于后续特征相似度计算？这样计算特征相似度不会产生偏差吗，毕竟训练时metric loss的输入是用作特征距离计算的。

[layumi]

你好。感谢

1. 不是。 中间就差了 一个 linear层 。 https://github.com/layumi/Person_reID_baseline_pytorch/blob/master/model.py#L56
2. 测试的时候 就去掉了最后一个分类头 https://github.com/layumi/Person_reID_baseline_pytorch/blob/master/test.py#L291 相当于用metric loss的输入。

[lesterlee89]

你好。感谢

1. 不是。 中间就差了 一个 linear层 。 https://github.com/layumi/Person_reID_baseline_pytorch/blob/master/model.py#L56
2. 测试的时候 就去掉了最后一个分类头 https://github.com/layumi/Person_reID_baseline_pytorch/blob/master/test.py#L291 相当于用metric loss的输入。

好的，谢谢，解决了我的疑问
1.还有一个问题请教下，triplet loss的时候，feature计算距离矩阵的时候可以选择欧氏距离或者余弦距离，这个会影响部署的时候只用余弦相似度判别两个行人是不是同一个人吗，还是说训练的时候必须选择余弦距离计算距离矩阵，才能在推理的时候使用余弦相似度
2.或者其他的metric loss计算特征距离矩阵的时候需要限定距离计算方法吗，还是说部署时计算余弦相似度跟训练时使用哪种距离计算方式无关？

[lesterlee89]

1.你好，作者，有一个想法不知道可不可行，用reid的方法去训练大类（比如车辆大类，卡车、轿车、公家车、SUV等，而不是每个车单独一类），同样使用metric loss和id loss，最后部署的时候保留liner和cls分类头，用分类头去对图像分类，这种reid方式训练能否提升单独使用分类头去训练分类的效果呢，
感谢！！