场景

以人脸比对为例

• 已知：预训练模型、新的大规模人脸比对数据集(类别数>10w)。
• 目的：基于新数据集，微调训练。

当前问题 :训练时若随机初始化分类器，类别数过大将导致收敛过慢，甚至无法收敛。

• 解决方案：基于新数据集，预训练模型先提取各类别的类中心特征，来初始化分类器权重。

  类中心为类内所有图片的特征均值

• 原理：分类器维护着类中心矩阵，初始化权重后已基本可分，如下图。再进行微调训练可快速收敛，性能大幅提升。

实现

1. 生成类中心

python  ./ExtraTools/build_class_center.py  --txt_path 新数据集路径 --weight_path 特征模型路径  --save_npy 类中心的保存路径 

访问更多参数

2. 启用

metric_train.py 打开注释，加载指定类中心路径

# classcenter = np.load("home/xxx.npy")
# criterion.W.data = torch.from_numpy(classcenter.T)