| # v16 training — Fix score collapse / no discrimination từ v15. | |
| # | |
| # Root cause analysis (v15 failure): | |
| # | |
| # Tất cả ảnh được score gần như giống nhau (range 24–56, thay vì 0–100). | |
| # Model không phân biệt được ảnh tốt/xấu. | |
| # | |
| # Nguyên nhân chính: stats=None trong mọi lần gọi loss_mat(). | |
| # | |
| # Khi stats=None: | |
| # q_mat = raw cosine ≈ 0.85 cho mọi ảnh (MDGT quality-robust) | |
| # → model tối ưu pred_score → (0.85/2 + 0.5)×100 ≈ 92.5 cho tất cả | |
| # → L_spread kéo về [10,90], L_mat kéo về 92.5 | |
| # → equilibrium tại q_mean ≈ 52 không thay đổi suốt 60 epoch | |
| # | |
| # v16 fixes: | |
| # T31a — Per-identity cosine stats (compute_identity_cos_stats): | |
| # Sau khi tính prototype, chạy second pass để tính (mean_cos, std_cos) | |
| # per identity. Pass stats vào loss_mat() → target được normalize: | |
| # q_mat = tanh((cos - mu_i) / sigma_i) | |
| # Ảnh tốt hơn trung bình của identity → target > 0 → score > 50. | |
| # Ảnh kém hơn → target < 0 → score < 50. | |
| # L_mat và L_spread giờ CÙNG chiều thay vì conflict. | |
| # | |
| # T31b — tanh scaling trong _compute_q_mat: | |
| # tanh maps z ∈ (-∞,+∞) về (-1,1), tương thích với | |
| # pred_normalized = (score/100 - 0.5) × 2 ∈ [-1,1]. | |
| # Không cần clamp thủ công, không có extreme target. | |
| # | |
| # T31c — Tăng W_SPREAD từ 2.0 → 4.0: | |
| # Với teacher target đã zero-centred, tăng spread weight | |
| # giúp model học spread nhanh hơn mà không conflict. | |
| # | |
| # T31d — deg-every-n-steps 1 (thay vì 2): | |
| # L_deg mỗi step = 2× signal so với v15. FVC-only ranking. | |
| # | |
| # Train từ đầu, 60 epochs, LR=1e-4 cosine. | |
| set -euo pipefail | |
| REPO_ROOT="$(cd "$(dirname "$0")/../.." && pwd)" | |
| source "${REPO_ROOT}/.venv/bin/activate" | |
| VERSION="v16" | |
| SAVE_DIR="${REPO_ROOT}/sifq/checkpoints/${VERSION}" | |
| LOG_FILE="${REPO_ROOT}/sifq/logs/train_${VERSION}.log" | |
| EVAL_SCRIPT="${REPO_ROOT}/sifq/scripts/run_eval_${VERSION}.sh" | |
| python "${REPO_ROOT}/sifq/scripts/train_sifq.py" \ | |
| --root-302a "${REPO_ROOT}/dataset/302a/images/challengers" \ | |
| --root-302b "${REPO_ROOT}/dataset/302b/images/baseline" \ | |
| --root-302d "${REPO_ROOT}/dataset/nist_302d/images/auxiliary" \ | |
| --root-fvc2002 "${REPO_ROOT}/dataset/FVC_Dataset/FVC2002" \ | |
| --root-fvc2004 "${REPO_ROOT}/dataset/FVC_Dataset/FVC2004" \ | |
| --root-polyu "${REPO_ROOT}/dataset/PolyU" \ | |
| --exclude-sensor "R_1000_slap,R_500_slap,S_500_slap" \ | |
| --mdgt-checkpoint "${REPO_ROOT}/pad/TRAM-downstream/checkpoint/checkpoints_dinov2_tram/best_eer.pt" \ | |
| --epochs 60 \ | |
| --batch-size 128 \ | |
| --image-size 224 \ | |
| --lr 1e-4 \ | |
| --spread-mode uniform \ | |
| --spread-weight 4.0 \ | |
| --concept-deg-gamma 2.0 \ | |
| --sd302-concept-weight 1.0 \ | |
| --deg-every-n-steps 2 \ | |
| --min-sigma 0.02 \ | |
| --max-train-samples -1 \ | |
| --num-workers 8 \ | |
| --gpus 0 \ | |
| --save-dir "${SAVE_DIR}" | |
| echo "[auto-eval] Training done. Starting eval ${VERSION}..." | |
| bash "${EVAL_SCRIPT}" >> "${LOG_FILE}" 2>&1 | |