阅读了论文 Relation Network for Person Re-identification
论文提出了一种考虑单个身体部分与剩余身体部分之间关系的行人重识别网络。
引入了全局相对池化(GCP)获得全局特征。

在深入研究训练迭代过程中，我仔细调试并理解了如何通过采样器来选取和读取数据，并将其最终转换为张量（tensor），然后根据每个批次（batch）的规定数量输出数据的完整流程。此外，我单独运行并调试了model.py文件，通过在该文件下添加实例化模型以及使用相关代码的操作，成功实现了模型的调试。在此过程中，我清晰地理解了组件特征和总体特征提取的过程，尽管我跳过了全局平均池化（Global Average Pooling）代码细节的深入理解。这一系列操作加深了我对模型训练过程中数据处理和特征提取机制的认识。

问题分析

• 直接调试时卡顿，没步调试会停顿几十秒左右，有时候加载不出来数据。当调试到图片的张量时就会开始出现这个问题。问了张师兄，发现他没有类似问题，说明是我的电脑硬件问题。感觉可能是显存太小。
• 直接调试 models.py文件自定义代码时，遇到不能使用相对路径的问题，自定义的tensor 在cpu上，传入 model 需要将其转换到 gpu 上。单个文件调试时没有再遇到卡顿。

下一步研究计划

尝试把RRID 的代码one-vs.-rest 模块应用在 PVEN 模型的四个局部特征上