hard negative sample #7

Lkevin20 · 2022-09-05T01:42:00Z

对于这个hard negative sample，想问一下这个集合的作用是什么？是将这些困难样本都划分为正样本进行回归训练吗？对于正样本集合和困难样本集合，排序之后为什么能达到提升性能的效果？

sansanfree · 2022-09-05T02:21:57Z

背景：在训练阶段，由于知道ground truth，可以划分正负样本。然后利用交叉熵损失函数，让分类网络为正样本输出分类得分1，负样本分类得分输出0；
我们：然而在实际阶段，许多负样本的分类得分不是0，而是接近于1。所以在训练阶段，我们将前景分类得分大于0.5的负样本收集起来，构成hard negative sample set；此外，原本的正样本保留不变，构成positive sample set。之后按照论文中的公式（6）分别计算hard negative sample set和positive sample set的均值。

为什么有效果？结合公式（8）来看，为了降低（8）的loss值，只能让P+大，P-小。P+上限就是1，那么P-越低越好。所以训练完毕后，既然P-比P+低了，那么困难负样本（干扰背景）的得分就比正样本（代表了真正的前景目标）的分类得分低，分类器就可以正确选择到真正的正样本。这样使得分类的精度提高，整体效果提升。

Lkevin20 · 2022-09-05T02:26:26Z

非常感谢，这样我就理解了，谢谢作者

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2022年9月5日(星期一) 上午10:22 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 背景：在训练阶段，由于知道ground truth，可以划分正负样本。然后利用交叉熵损失函数，让分类网络为正样本输出分类得分1，负样本分类得分输出0；我们：然而在实际阶段，许多负样本的分类得分不是0，而是接近于1。所以在训练阶段，我们将前景分类得分大于0.5的负样本收集起来，构成hard negative sample set；此外，原本的正样本保留不变，构成positive sample set。之后按照论文中的公式（6）分别计算hard negative sample set和positive sample set的均值。为什么有效果？结合公式（8）来看，为了降低（8）的loss值，只能让P+大，P-小。P+上限就是1，那么P-越低越好。所以训练完毕后，既然P-比P+低了，那么困难负样本（干扰背景）的得分就比正样本（代表了真正的前景目标）的分类得分低，分类器就可以正确选择到真正的正样本。这样使得分类的精度提高，整体效果提升。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

Lkevin20 · 2022-10-13T06:25:31Z

请问分类排名损失函数是如何选择的呢？这是作者您自己的创新点吗？

sansanfree · 2022-10-13T08:04:05Z

这个分类损失函数原型为max(0, P_- P+ +α)，这是一个hinge loss。我在论文《Learning to Rank Proposals for
Siamese Visual Tracking》TIP，2021.使用过这个hinge loss。但是为了更好地优化，hinge loss(max(0,P_-P+ +α))可以转换为logisitc loss(CVPR论文中eq. 8)。这个选择和分析来源于论文《DR Loss: Improving Object Detection by Distributional Ranking》。

Lkevin20 · 2023-02-10T06:41:06Z

请问作者论文中的置信度的可视化图是如何画出的？

sansanfree · 2023-02-11T04:04:25Z

请问作者论文中的置信度的可视化图是如何画出的？

你好，是用visdom 的heatmap 画出来的。

Lkevin20 · 2023-02-11T05:33:36Z

这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月11日(星期六) 中午12:04 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

sansanfree · 2023-02-11T07:56:51Z

这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***
…
------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***>

在siamrpn++-RBO文件夹siamrpn_tracker.py中，示例代码如下
from visdom import Visdom
cls_show=outputs['cls'].detach()

    b, a2, h, w = cls_show.size()
    cls_show = cls_show.view(b, 2, a2//2, h, w)
    cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous()
    cls_show = F.softmax(cls_show, dim=4)
    cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:]
    cls_show=cls_show.cpu().numpy().squeeze()
    viz = Visdom(env='cls map')
    viz.heatmap(cls_show)

Lkevin20 · 2023-02-11T12:36:40Z

好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月11日(星期六) 下午3:57 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

sansanfree · 2023-02-11T14:03:10Z

好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***
…
------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.>

举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。
跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。

Lkevin20 · 2023-02-12T06:30:55Z

在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月11日(星期六) 晚上10:03 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

Lkevin20 · 2023-02-12T13:20:40Z

对于在siamban基础上改进的siamPW-RBO,正负样本区域划分是采用siamban相同的椭圆策略划分的吗？

sansanfree · 2023-02-12T13:26:33Z

对于在siamban基础上改进的siamPW-RBO,正负样本区域划分是采用siamban相同的椭圆策略划分的吗？

是的

sansanfree · 2023-02-12T13:27:00Z

在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.***
…
------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***>

是通过IoU计算的

Lkevin20 · 2023-02-13T07:14:44Z

作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月12日(星期天) 晚上9:27 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&code=dcf68bfe

sansanfree · 2023-02-13T07:27:23Z

作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.***
…
------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&code=dcf68bfe

热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。
2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。
我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1.

Lkevin20 · 2023-02-13T07:58:43Z

热力图这块，出现错误我只能关闭local命令窗口，不然他一直循环出现同一个错误，但是我关闭后没有看到热力图出现抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月13日(星期一) 下午3:27 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&code=dcf68bfe 热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。 2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1. — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

sansanfree · 2023-02-13T08:02:17Z

热力图这块，出现错误我只能关闭local命令窗口，不然他一直循环出现同一个错误，但是我关闭后没有看到热力图出现抢哥辣条还想跑 @.***
…
------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午3:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&code=dcf68bfe 热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。 2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1. — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***>

你visdom设置的正确吗？是需要另外一个窗口打开的。

Lkevin20 · 2023-02-13T09:40:25Z

就是附件中的这个问题抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月13日(星期一) 下午4:02 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 热力图这块，出现错误我只能关闭local命令窗口，不然他一直循环出现同一个错误，但是我关闭后没有看到热力图出现抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午3:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&amp;k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&amp;code=dcf68bfe 热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。 2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1. — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***> 你visdom设置的正确吗？是需要另外一个窗口打开的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

Lkevin20 · 2023-02-13T10:21:08Z

visdom正常启动，但是窗口空白，存在一个问题（ ERROR:tornado.general:Could not open static file '/home/ubuntu/anaconda3/envs/Lsiamban/lib/python3.7/site-packages/visdom/user/style.css'）抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月13日(星期一) 下午4:02 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 热力图这块，出现错误我只能关闭local命令窗口，不然他一直循环出现同一个错误，但是我关闭后没有看到热力图出现抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午3:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&amp;k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&amp;code=dcf68bfe 热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。 2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1. — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.***> 你visdom设置的正确吗？是需要另外一个窗口打开的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

sansanfree · 2023-02-13T10:22:49Z

visdom正常启动，但是窗口空白，存在一个问题（ ERROR:tornado.general:Could not open static file '/home/ubuntu/anaconda3/envs/Lsiamban/lib/python3.7/site-packages/visdom/user/style.css'）抢哥辣条还想跑 @.***
…
------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午4:02 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 热力图这块，出现错误我只能关闭local命令窗口，不然他一直循环出现同一个错误，但是我关闭后没有看到热力图出现抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午3:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.*** … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&amp;k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&amp;code=dcf68bfe 热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。 2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1. — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 你visdom设置的正确吗？是需要另外一个窗口打开的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.>

你好，我没有遇见到这个问题，实在不行，你就用matplotlib画热力图吧。

Lkevin20 · 2023-02-13T10:30:21Z

测试过程中local出现这种应该就是代表visdom正常工作了吧,但是本地打开visdom什么都观察不到，图片在附件，这一点就很迷惑？抢哥辣条还想跑 ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" ***@***.***>; 发送时间: 2023年2月13日(星期一) 晚上6:23 ***@***.***>; ***@***.******@***.***>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) visdom正常启动，但是窗口空白，存在一个问题（ ERROR:tornado.general:Could not open static file '/home/ubuntu/anaconda3/envs/Lsiamban/lib/python3.7/site-packages/visdom/user/style.css'）抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午4:02 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 热力图这块，出现错误我只能关闭local命令窗口，不然他一直循环出现同一个错误，但是我关闭后没有看到热力图出现抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月13日(星期一) 下午3:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 作者你好，第一，对于绘制热力图这块，作者在您的源码里面，siamPW-RBO的siamban_tracker部分给出了一段被注释掉的画热力图的代码，但是我使用这部分代码运行时出现一个无限循环的错误，不知道是否这段代码有误，麻烦作者指导一下，我想观察加入分类排序损失后，干扰物的分类得分是否降低。万分感谢。第二，我只使用siamPW-RBO中的分类排序损失，根据作者的消融实验来看，加入分类排序损失精度应该会有提升，但是结果相反，精度比siamban低了，测试结果AUC为69.1，siamban论文中给出的AUC为69.6，不知道这个差距是否正常，附件为OTB测试结果和训练完成后的模型（训练是在GOT-10K、Youtube-BB、LaSOT、COCO、ImageDET和ImageVID上联合训练，测试集为OTB00）抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月12日(星期天) 晚上9:27 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 在检测中正负样本划分不也是需要通过计算iou来确定的吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 晚上10:03 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 好的谢谢作者。有看到作者您在论文中提到，在目标检测中有许多不同的样本加权策略来抑制干扰因素，但在跟踪中目标与困难样本具有相同语义类，因此无法区分干扰物。对于这一点不是很理解。个人的想法是：对于样本加权如focalloss通过加权是的困难样本在损失函数占更大的比重，使简单样本占比重更小。那在目标跟踪中如果我使用这种方法为什么会不好呢？这跟困难样本和目标具有相同语义类有关系吗啊？对于这点不是很理解。抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 下午3:57 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 这个绘制热力图有源码吗？能提供一下吗？抢哥辣条还想跑 @.***   … ------------------ 原始邮件 ------------------ 发件人: "sansanfree/RBO" @.>; 发送时间: 2023年2月11日(星期六) 中午12:04 @.>; @.@.>; 主题: Re: [sansanfree/RBO] hard negative sample (Issue #7) 请问作者论文中的置信度的可视化图是如何画出的？你好，是用visdom 的heatmap 画出来的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 在siamrpn_tracker.py文件中，示例代码如下 from visdom import Visdom cls_show=outputs['cls'].detach() b, a2, h, w = cls_show.size() cls_show = cls_show.view(b, 2, a2//2, h, w) cls_show = cls_show.permute(0, 2, 3, 4, 1).contiguous() cls_show = F.softmax(cls_show, dim=4) cls_show = torch.max(cls_show, dim=1)[0][:,:,:,1:] cls_show=cls_show.cpu().numpy().squeeze() viz = Visdom(env='cls map') viz.heatmap(cls_show) — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 举个例子，检测中，检测类别为狗，那么其他狗都是正样本，负样本只能是其他非狗的动物。跟踪中，检测目标类别事先未知，比如跟踪目标是A狗，与检测不同，负样本包括其他狗，在实际的跟踪中，往往是这些检测中的同类别实例，是困难负样本。因此，与检测略有不同。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 是通过IoU计算的 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 从QQ邮箱发来的超大附件测试结果+模型.zip (154.27M, 2023年03月15日 15:04 到期)进入下载页面：http://mail.qq.com/cgi-bin/ftnExs_download?t=exs_ftn_download&amp;amp;k=22636636afd03d932582e1b31e62544a54565f505a5b545249555052084f520155524b5759570548010754040b57030454000754387366d786a9b28bd9db9d4ea0c0b6fb16180f15645e&amp;amp;code=dcf68bfe 热力图代码是正确的，不过你需要手动停止程序。否则OTB100视频序列每个序列中的每个图他都会跑。 2.结果这一块，siamban，siamrpn++这种传统siamese跟踪器都是需要调参的，你可以看siamban源代码中tools/hp_search.py，就是用来调参的。我训练siamban的模型，结果一般只有68+，调参都达不到69.6（论文结果）。你训练的siampw-RBO结果可以调参试一下，应该可以超过69.1. — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 你visdom设置的正确吗？是需要另外一个窗口打开的。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: @.> 你好，我没有遇见到这个问题，实在不行，你就用matplotlib画热力图吧。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

Lkevin20 · 2023-03-22T04:03:12Z

作者你好，请问我如何画出作者您这样的能区分正负样本的分类得分散点图，我画的分类得分散点图无法直观区分正负样本
${D(X2(3K_JAV2O6RBYLLRVN$

Lkevin20 · 2023-03-22T04:03:54Z

sansanfree · 2023-03-22T04:10:48Z

作者你好，请问我如何画出作者您这样的能区分正负样本的分类得分散点图，我画的分类得分散点图无法直观区分正负样本 ${D(X2(3K_JAV2O6RBYLLRVN$

抱歉哈，我这个图1属于示意图，不是效果图。如果你想画效果图，可以统计困难负样本在使用ranking loss前后的前景得分对比。

Lkevin20 · 2023-03-22T05:11:24Z

哦哦好的，我想问一下在测试过程中，对于模型得到的正负样本分类得分集合，里面只保存了得分结果但是没有区分正负样本的得分是吗？如果我想画一个区分正负样本得分的散点图可行吗？

sansanfree · 2023-03-22T07:25:10Z

哦哦好的，我想问一下在测试过程中，对于模型得到的正负样本分类得分集合，里面只保存了得分结果但是没有区分正负样本的得分是吗？如果我想画一个区分正负样本得分的散点图可行吗？

因为在测试过程，没有groundtruth,所以没法区分正负样本，也就只能保存得分结果了。如果你要区分正负样本，那你就加载groundtruth,像训练那样划分正负样本。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

hard negative sample #7

hard negative sample #7

Lkevin20 commented Sep 5, 2022

sansanfree commented Sep 5, 2022

Lkevin20 commented Sep 5, 2022 via email

Lkevin20 commented Oct 13, 2022

sansanfree commented Oct 13, 2022

Lkevin20 commented Feb 10, 2023

sansanfree commented Feb 11, 2023

Lkevin20 commented Feb 11, 2023 via email

sansanfree commented Feb 11, 2023 •

edited

Loading

Lkevin20 commented Feb 11, 2023 via email

sansanfree commented Feb 11, 2023

Lkevin20 commented Feb 12, 2023 via email

Lkevin20 commented Feb 12, 2023

sansanfree commented Feb 12, 2023

sansanfree commented Feb 12, 2023

Lkevin20 commented Feb 13, 2023 via email

sansanfree commented Feb 13, 2023

Lkevin20 commented Feb 13, 2023 via email

sansanfree commented Feb 13, 2023

Lkevin20 commented Feb 13, 2023 via email

Lkevin20 commented Feb 13, 2023 via email

sansanfree commented Feb 13, 2023

Lkevin20 commented Feb 13, 2023 via email

Lkevin20 commented Mar 22, 2023

Lkevin20 commented Mar 22, 2023

sansanfree commented Mar 22, 2023

Lkevin20 commented Mar 22, 2023

sansanfree commented Mar 22, 2023

hard negative sample #7

hard negative sample #7

Comments

Lkevin20 commented Sep 5, 2022

sansanfree commented Sep 5, 2022

Lkevin20 commented Sep 5, 2022 via email

Lkevin20 commented Oct 13, 2022

sansanfree commented Oct 13, 2022

Lkevin20 commented Feb 10, 2023

sansanfree commented Feb 11, 2023

Lkevin20 commented Feb 11, 2023 via email

sansanfree commented Feb 11, 2023 • edited Loading

Lkevin20 commented Feb 11, 2023 via email

sansanfree commented Feb 11, 2023

Lkevin20 commented Feb 12, 2023 via email

Lkevin20 commented Feb 12, 2023

sansanfree commented Feb 12, 2023

sansanfree commented Feb 12, 2023

Lkevin20 commented Feb 13, 2023 via email

sansanfree commented Feb 13, 2023

Lkevin20 commented Feb 13, 2023 via email

sansanfree commented Feb 13, 2023

Lkevin20 commented Feb 13, 2023 via email

Lkevin20 commented Feb 13, 2023 via email

sansanfree commented Feb 13, 2023

Lkevin20 commented Feb 13, 2023 via email

Lkevin20 commented Mar 22, 2023

Lkevin20 commented Mar 22, 2023

sansanfree commented Mar 22, 2023

Lkevin20 commented Mar 22, 2023

sansanfree commented Mar 22, 2023

sansanfree commented Feb 11, 2023 •

edited

Loading