CATSANet：实验执行、工程落地与成稿

前身方法已有代码，但运行环境、依赖版本与实验记录不完整，需要先在干净环境里把结果复现出来。

• 在原压缩包基础上只替换改动过的文件，避免把混乱的本地修改一并带进来，并在新服务器上重建环境。
• 完成 100 epoch 训练（sdm+id+mlm，batch 64，lr 1e-5），得到 R1 79.305 / R5 91.147 / R10 94.282 / mAP 71.070，高于原记录 78.05。
• 对比 95 / 100 / 105 epoch，把 rank-1 的最优区间收窄到 90 至 110 epoch。
• 这套配置在 2025-03、2025-08、2026-01 三次运行中 best R1 均为 79.30474 @ epoch 87，逐位一致；后两次的代码快照可确认包含融合段。

复现成功后，继续加 epoch 或调学习率并不能稳定提升指标，需要先从日志里判断问题来源。

• 按损失项拆分训练日志，发现 id_loss 在总损失中占比接近一半，文本侧 loss 始终略高于图像侧。
• 确认学习率调度是「按批次衰减」而不是「按 epoch 衰减」，200 epoch 被拆成 200 次下降，导致后期学习率过低、指标回落。
• 提出「单纯改参数已经不够」，把讨论推进到方法层面，而不是继续在超参上打转。

PACL 的公式与实现已经写进模型代码，但训练日志显示指标没有预期变化，需要确认损失是否真的参与优化。

• 逐项比对训练启动参数与 options.py，发现 pacl_loss_weight、pacl_ot_reg、pacl_ot_iters 三个参数没有在解析器中注册，命令行传入后并未生效；同时核查 loss_names 是否真的包含 pacl。
• 补全 PACL 的四处接入：objectives.py 的 Sinkhorn 与损失函数、build.py 的前向集成、options.py 的参数注册、processor.py 的日志输出；并在损失内部把 SAFL part 特征从 float16 转成 float32，避免半精度下的溢出与除零。
• 修正 MLM 相关配置冲突后，按正式配置启动 150 epoch 训练；2026-01-25 12:02 的云端运行得到 R1 78.42755（论文记为 78.43）/ R5 90.55 / R10 94.19 / mAP 70.45，best 出现在第 150 epoch。
• 保留了一组「PACL + 复杂融合」但 loss_names 只有 sdm+id+mlm 的 100 epoch 运行，best R1 79.01，与无 PACL 基线基本持平，说明收益来自损失真正生效，而不是「加个模块总会涨一点」。
• 与第一作者共同整理《PACL 实现说明》和《PACL 方法文档》，覆盖接入方式、参数含义、调参区间、日志格式与最优传输的理论推导。

残差交互融合是团队讨论中形成的方案，但「为什么不能直接把部件特征和全局特征相加」需要一个可复核的答案。

• 设计控制变量对照：两组均为 sdm+id+mlm、100 epoch、batch 64、lr 1e-5、ID 与 MLM 权重各 1.0、CUHK-PEDES，唯一差异是 build.py 中的融合代码段。
• 残差门控版本 best R1 79.30474 @ epoch 87（2025-08-20）；简单加法版本 best R1 63.74269 @ epoch 86（2026-01-30），下降 15.56 个百分点。
• 同一组超参在 2025-03、2025-08、2026-01 三次运行中 best R1 逐位一致，整条实验链路可复现。

CUHK-PEDES 上的结论需要在另一个数据集上验证，RSTPReid 的文本更短、场景更复杂，是常见的泛化测试集。

• 2026-02-19 02:00 一轮：sdm+mlm+id+itc+pacl，lr 1e-5，100 epoch，batch 64，random sampler，PACL 权重 0.02，best R1 62.60 出现在第 7 epoch，此后不再提升。
• 同日 10:53 一轮：同损失组合，lr 2e-5，30 epoch，identity sampler，PACL 权重 0.01，ID 权重 1.0，weight decay 1e-4，warmup 10 epoch，best R1 60.25 出现在第 27 epoch，曲线更平缓但未超过第一轮。
• 结论：RSTPReid 的最优点出现很早，继续训练只会过拟合；PACL 权重不是越大越好，identity sampler 也不适合这个跨模态对比设置。论文最终报告的 67.05 / 54.37 是团队后续配置的结果，这两轮的作用是定位过拟合与权重敏感性。

论文第 16 页的贡献声明写的是主稿撰写、算法设计与实验执行，我的工作还覆盖了图、文档与排版。

• 参与论文主图设计：提出在图像分支后增加「减少 patch」的步骤示意、调整箭头长度与层级关系，并补充对应的英文标注。
• 2025-07 参与论文初稿撰写，并与第一作者共同整理方法材料：减 Token 的处理流程、特征融合前后对比、FLOPs 结构表与可视化说明。
• 本地维护论文 LaTeX 工程（main.tex、pepadun.bib 与编译产物 prj.pdf）。早期稿件标题为 “Fine-Grained Token Selection and Post-alignment Fusion for Cross-Modal Person ReID”、方法名 GRFNet，加入 PACL 后扩展为 CATSANet。
• 2026-02-02 制作三行 top-10 检索对比图（原始、减 token、PACL + 减 token），准备五组覆盖三个检查点的样例并撰写图注英文描述；与第一作者共同完成公式整理与 LaTeX 排版检查。

指标口径和留档方式决定了实验结论能不能被复核，这部分工作贯穿整个项目。

• 修改评估代码，使其只输出文本到图像（t2i）方向的指标，避免 i2t 指标干扰模型选择。
• 增加指标落盘与绘图脚本 plot_metrics.py，把每个 epoch 的 rank-1/5/10、mAP、mINP 写成 metrics.json，再生成单指标与全指标曲线，便于跨实验对比。
• 修复指标 JSON 序列化、checkpoint 路径与绘图依赖问题；改造可视化脚本，支持切换数据集、导出 top-10 检索结果图。
• 维护多份代码快照（改版4、pacl_01、VERSION）与每次运行的 configs、train_log，使关键数字可以回溯到具体日期、配置与代码版本。

论文报告结果

这是团队整体结果，不是我单独跑出的数字。

CUHK-PEDES 消融（Table 3）

其中「+ TS + PACL」这一行，是我在 2026-01-25 云端训练得到的 78.43 / 70.45。

RSTPReid 消融（Table 4）

我亲手执行的主要实验

论文 full model 的 78.79 / 70.35 是团队整体结果；2026-02-18 的 75.55 异常运行未列入，待核对运行环境与数据路径。