zhaodongdz的博客

对于多模态任务而言，大量数据的获得是耗费人力和物力的，因此few-shot的训练方式一直备受关注。目前已经证实了CLIP模型的超强性能，很多研究人员提出了基于CLIP的检测算法，然而多数都是在研究如何更好地利用CLIP提取出的features，本文则从“Not All Features Matter”的角度进行了新的探索，提出了一个Adaptive Prior rEfinement方法，用于处理特征中的冗余信息，除此之外还提出了无需训练的APE和需要训练的APE-T方法。

使用Pytorch构建一个新算法时，通常包含如下几步：注册数据集：CustomDataset是MMDetection在原始的Dataset基础上的再次封装，其__getitem__()方法会根据训练和测试模式分别重定向到prepare_train_img()和prepare_test_img()函数。用户以继承CustomDataset类的方式构建自己的数据集时，需要重写load_annotations()和get_ann_info()函数，定义数据和标签的加载及遍历方式。

由于要在服务器的不同GPU中进行模型训练，这里记录一下改变使用GPU的一些方式。