复现Multi-Objective Matrix Normalization：模型加载与精度探讨

"该资源是针对2020年IEEE Transactions on Image Processing (TIP)上发表的《Multi-Objective Matrix Normalization for Fine-Grained Visual Recognition》论文的复现工作，作者分享了他们在尝试复现论文中提出的四种模型时的经验和遇到的问题，包括模型加载错误、参数匹配不符以及模型精度差异等。此外，资源还包括作者对于模型精度不足的解释以及关于模型结构和参数的详细讨论。" 在《Multi-Objective Matrix Normalization for Fine-Grained Visual Recognition》这篇论文中，作者提出了多目标矩阵归一化（Multi-Objective Matrix Normalization, MOMN）技术，旨在改进细粒度视觉识别任务的性能。在复现过程中，研究者遇到了几个关键问题： 1. **模型加载错误**：在尝试加载作者提供的模型momn_cub_resnet_101.model时，发现模型的主干网络与预设的resnet101存在不匹配，导致无法正确加载网络参数。这可能是由于模型文件中包含了不对应键值导致的。 2. **算法识别混淆**：注意到模型中使用了lrcp算法的参数，但模型名称却标明为MOMN。这引发了一个疑问，即模型文件是否被误标记或存在错误。通过将算法框架更改为lrcp并成功运行，确认了模型实际上是基于lrcp的。 3. **模型参数数量检查**：通过比较参数数量进一步证实了模型与预期的不匹配，从而解决了加载问题。 4. **模型名称与容器命名**：研究者推测，MOMN模型可能使用了以"backbone"开头的容器名称，而LRCP模型可能使用了以"layer"开头的名称，这提供了一种区分两种模型的方法。 5. **模型精度差异**：在复现momn_cub_dense.model时，精度未能达到论文中报告的89.5%或89.7%。作者给出了可能的解释，包括提供的模型可能使用了错误的主干网络，以及测试时的翻转技巧可能影响了精度。 6. **模型选择与参数匹配**：在尝试不同类型的ResNeXt和Wide ResNet模型时，都发现了参数大小不匹配的问题，表明加载的主干网络与模型中的不一致。解决这个问题的关键在于确保使用的主干网络与模型文件中的匹配。 7. **作者回复**：作者对于模型精度不足提供了三个解释，包括可能的主干网络错误、测试时的翻转技巧影响以及批处理大小（batchsize）对精度的影响。 通过这个复现过程，研究者深入理解了MOMN算法的实际应用和潜在问题，并展示了如何调试和解决模型加载和精度匹配的问题，这对于其他试图复现论文结果的研究者具有指导意义。同时，这也强调了在进行深度学习模型复现时，正确理解和验证模型结构及参数的重要性。