简体中文 | English
-
官方原版代码(基于caffe/PyTorch)HashNet.
-
第三方参考代码(基于PyTorch)DeepHash-pytorch.
对于大规模的最近邻搜索问题,比如图像检索 Deep Hashing等,哈希学习被广泛应用。然而现有基于深度学习的哈希学习方法需要先学习一个连续表征,再通过单独的二值化来生成二进制的哈希编码,这导致检索质量严重下降。HashNet则提出了两点改进方式:1. 针对不平衡分布的数据做了一个均衡化;2. 针对符号激活进行了改进,即让激活函数
16bits | 32bits | 48bits | 64bits | |
---|---|---|---|---|
验收指标 | 0.622 | 0.682 | 0.715 | 0.727 |
复现结果 | 0.619 | 0.682 | 0.715 | 0.734 |
本项目(基于 PaddlePaddle )依次跑 16/32/48/64 bits 的结果罗列在上表中,且已将训练得到的模型参数与训练日志 log 存放于output文件夹下。由于训练时设置了随机数种子,理论上是可复现的。
MS COCO(即 COCO2014 )
-
COCO2014 是一个图像识别、分割和字幕数据集。它包含 82,783 张训练图像和 40,504 张验证图像,共 80 个类别。
-
对其中没有类别信息的图像进行剪枝后,将训练图像和验证图像相结合,得到 122218 张图像。然后随机抽取 5000 张图像作为查询集,其余用作数据库;此外,从数据库中随机抽取 10,000 张图像作为训练集。数据集处理代码详见 utils/datasets.py。另外数据集分割好的list放在 ./data/coco/ 路径下。
-
需要注意的是:通过对比发现,原作者的list与第三方参考代码 DeepHash-pytorch 中的list略有不同,不过经过测试,两种list最终跑出来精度差不多。本项目复现的时候采用与原作者一样的list。
本人环境配置:
- Python: 3.7.11
- PaddlePaddle: 2.2.2
- 硬件:NVIDIA 2080Ti * 2
git clone https://github.com/hatimwen/paddle_hashnet.git
cd paddle_hashnet
-
由于权重比较多,加起来有 1 个 GB ,因此我放到百度网盘里了,烦请下载后按照 六、代码结构与详细说明 排列各个权重文件。
-
下载链接:BaiduNetdisk, 提取码: pa1c 。
请根据实际情况,修改 scripts 中想运行脚本的配置内容(如:data_path, batch_size等)。
-
注意:需要提前下载并排列好 BaiduNetdisk 中的各个预训练模型。
-
多卡,直接运行该脚本:
sh scripts/test_multi_gpu.sh
- 单卡,直接运行该脚本:
sh scripts/test_single_gpu.sh
- 多卡,直接运行该脚本(本项目运行场景为双卡,因此建议用双卡跑此脚本复现):
sh scripts/train_multi_gpu.sh
- 单卡,直接运行该脚本:
sh scripts/train_single_gpu.sh
-
由于为数据库编码用时较长,因此已将通过 各个bits 的 HashNet 编码得到的数据库编码存在
./output/database_code_*.npy
。亦可将其删去后运行 predict.py ,会在第一次预测的时候自动保存数据库编码。 -
以 64 bits 为例,验证预测的命令如下:
python predict.py \
--bit 64 \
--data_path ./datasets/COCO2014/ \
--img ./resources/COCO_val2014_000000403864.jpg \
--save_path ./output \
--show
输出结果为:
----- Pretrained: Load model state from output/weights_64
----- Load code of database from ./output/database_code.npy
----- Predicted Hamm_min: 0.0
----- Found Mateched Pic: ./datasets/COCO2014/val2014/COCO_val2014_000000403864.jpg
----- Save Mateched Pic in: ./output/COCO_val2014_000000403864.jpg
显然,匹配结果正确。
-
本项目为 16/32/48/64 bits 分别写了对应的 TIPC 配置文件, 均位于 test_tipc/configs 文件夹下;另外方便起见, scripts/tipc.sh 是一个直接跑所有 bits 的脚本;
-
详细日志放置在 test_tipc/output 目录下;
-
具体 TIPC 介绍及使用流程请参阅:test_tipc/README.md。
|-- paddle_hashnet
|-- data # 数据集list
|-- coco # 暂时仅验证coco数据集
|-- database.txt # 数据库list
|-- test.txt # 测试集list
|-- train.txt # 训练集list
|-- coco_lite # 用于 TIPC 验证的少量数据list
|-- database.txt # 数据库list
|-- test.txt # 测试集list
|-- train.txt # 训练集list
|-- datasets # 数据集存放位置
|-- coco_lite # 用于 TIPC 验证的少量数据集
|-- train2014 # 训练集图片
|-- val2014 # 测试集图片
|-- deploy
|-- inference_python
|-- infer.py # TIPC 推理代码
|-- README.md # TIPC 推理流程介绍
|-- models # 模型定义
|-- __init__.py
|-- alexnet.py # AlexNet 定义,注意这里有略微有别于 paddle 集成的 AlexNet
|-- hashnet.py # HashNet 算法定义
|-- output # 日志及模型文件
|-- test # 测试日志
|-- log_16.txt # 16bits的测试日志
|-- log_32.txt # 32bits的测试日志
|-- log_48.txt # 48bits的测试日志
|-- log_64.txt # 64bits的测试日志
|-- train # 训练日志
|-- log_16.txt # 16bits的训练日志
|-- log_32.txt # 32bits的训练日志
|-- log_48.txt # 48bits的训练日志
|-- log_64.txt # 64bits的训练日志
|-- weights_16.pdparams # 16bits的模型权重
|-- weights_32.pdparams # 32bits的模型权重
|-- weights_48.pdparams # 48bits的模型权重
|-- weights_64.pdparams # 64bits的模型权重
|-- database_code_16.npy # 数据库通过HashNet得到的16bits编码
|-- database_code_32.npy # 数据库通过HashNet得到的32bits编码
|-- database_code_48.npy # 数据库通过HashNet得到的48bits编码
|-- database_code_64.npy # 数据库通过HashNet得到的64bits编码
|-- scripts
|-- test_multi_gpu.sh # 多卡测试脚本
|-- test_single_gpu.sh # 单卡测试脚本
|-- tipc.sh # TIPC 脚本
|-- train_multi_gpu.sh # 多卡训练脚本
|-- train_single_gpu.sh # 单卡训练脚本
|-- test_tipc # 飞桨训推一体认证(TIPC)
|-- utils
|-- datasets.py # dataset, dataloader, transforms
|-- loss.py # HashNetLoss 定义
|-- lr_scheduler.py # 学习率策略定义
|-- tools.py # mAP计算;随机数种子固定函数;database_code计算
|-- export_model.py # 模型动态转静态代码
|-- main_multi_gpu.py # 多卡训练测试代码
|-- main_single_gpu.py # 单卡训练测试代码
|-- predict.py # 预测演示代码
|-- README.md
关于模型的其他信息,可以参考下表:
信息 | 说明 |
---|---|
发布者 | 文洪涛 |
hatimwen@163.com | |
时间 | 2022.04 |
框架版本 | Paddle 2.2.2 |
应用场景 | 图像检索 |
支持硬件 | GPU、CPU |
下载链接 | 预训练模型 提取码: pa1c |
在线运行 | AI Studio |
License | Apache 2.0 license |
@inproceedings{cao2017hashnet,
title={Hashnet: Deep learning to hash by continuation},
author={Cao, Zhangjie and Long, Mingsheng and Wang, Jianmin and Yu, Philip S},
booktitle={Proceedings of the IEEE international conference on computer vision},
pages={5608--5617},
year={2017}
}
最后,非常感谢百度举办的飞桨论文复现挑战赛(第六期)让本人对 PaddlePaddle 理解更加深刻。