He_is_all-CSDN博客

原创论文笔记之---Person Re-identification in the Wild

Abstract本文提出的方法主要解决了三个问题：不同detectors和recognizers的组合的表现，行人检测对于提升再识别过程中准确率有所帮助这一现象背后的机理，以及评估了不同detectors对re-id的效果。本文所作出的三个很明显的贡献：1）提出了一个新的数据集：PRW，其实就是给检测到的行人加上了序号为1~932的annotation2）行人检测通过以下两种方式对

2017-03-13 21:17:50 7079 1

原创论文笔记之---Joint Detection and Identification Feature Learning for Person Search

Abstract：现有的行人再识别方法中所使用的标准和方法主要关注的是经过裁剪的行人照片，这与现实生活场景中的图片有所不同。本文为了缩小两者的差距，提出了一种行人搜索的新框架，将行人检测和行人再识别结合起来，利用单个CNN来进行训练。文中使用了OIM损失（Online Instance Matching）来训练网络，它比一般的Softmax损失函数的效果更快更好。一. Intr

2017-03-04 16:44:59 9452 17

原创论文笔记之---Faster R-CNN Features for Instance Search

Abstract来源于预先训练好的CNN的图像表示已经成为了CV领域一种新方法，比如实例检索。文中利用RPN网络学得的候选物体以及它们相关的CNN特征来建立了一种实例搜寻的渠道，它的第一部分是滤波阶段，紧接着是空间重排序；当对用来检索某人想要的同一物体的网络微调好时，我们便可以进一步研究Faster R-CNN特征的合适性。文中使用Oxford Buildings 5k，Paris Bui

2017-02-22 16:00:47 1785

原创论文笔记之---Speed and accuracy trade-offs for modern convolutional object detectors

Abstract这篇文章主要权衡了三种被称为“元结构”（meta-architectures）的主流detector---Faster R-CNN，R-FCN 和SSD之间的精确率与速度。Introduction1.对于从业者来说，选择主流OD（object detector缩写）中的哪一款作为工具是一项比较难的任务，受制于程序运行时间和内存大小，mAP等数据也并不能够完全作为

2017-02-22 15:18:31 7088

原创论文笔记之---Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identificatio

Abstract：对于针对同一问题，从来自多个域的数据中提取相关的且具有一般性以及鲁棒性的特征表示具有重大的意义，特别对于那些多重数据，因为其中仅仅单个数据集无法提供丰富变化的数据。本文就提出了利用CNN来学的深度特征表示的方法。关键的原理在于不同神经元对不同domain所学习得到的特征表示不同，有些是共享特征，有些只局限于特定的domain。基于这一重要的发现，文中提出了Domain Gui

2017-02-17 20:47:54 4467

原创论文笔记之---DenseCap：Fully Convolutional Localization Networks for Dense Captioning

Abstract：文中介绍了密集字幕任务，它包含定位及利用自然语言描述定位物体两个主要任务。为了同时解决物体定位和对其进行描述这两个任务，文中提出Fully Convolutional Localization Network，简称FCLN。它由一个卷积网络，一种新的密集定位层，和一个产生标签序列的RNN语言模型组成。一. 介绍在过去的几年中，图像分类已经取得了很大的进展。进

2017-02-10 20:10:56 4945 2

He_is_all的博客

原创论文笔记之---Person Re-identification in the Wild

原创论文笔记之---Joint Detection and Identification Feature Learning for Person Search

原创论文笔记之---Faster R-CNN Features for Instance Search

原创论文笔记之---Speed and accuracy trade-offs for modern convolutional object detectors

原创论文笔记之---Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identificatio

原创论文笔记之---DenseCap：Fully Convolutional Localization Networks for Dense Captioning

空空如也

空空如也

原创 论文笔记之---Person Re-identification in the Wild

原创 论文笔记之---Joint Detection and Identification Feature Learning for Person Search

原创 论文笔记之---Faster R-CNN Features for Instance Search

原创 论文笔记之---Speed and accuracy trade-offs for modern convolutional object detectors

原创 论文笔记之---Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identificatio

原创 论文笔记之---DenseCap：Fully Convolutional Localization Networks for Dense Captioning

空空如也

空空如也

原创论文笔记之---Person Re-identification in the Wild

原创论文笔记之---Joint Detection and Identification Feature Learning for Person Search

原创论文笔记之---Faster R-CNN Features for Instance Search

原创论文笔记之---Speed and accuracy trade-offs for modern convolutional object detectors

原创论文笔记之---Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identificatio

原创论文笔记之---DenseCap：Fully Convolutional Localization Networks for Dense Captioning