人体属性
文章平均质量分 53
DRACO于
这个作者很懒,什么都没留下…
展开
-
python搜索指定文件夹下所有图片文件
python搜索指定文件夹的某指定文件或某名称的所有文件,一般采用glob.glob函数,匹配文件路径,返回所有匹配的文件路径列表匹配符包括“*”、“?”和"[]",其中“*”表示匹配任意字符串,“?”匹配任意单个字符,[0-9]与[a-z]表示匹配0-9的单个数字与a-z的单个字符。glob.glob返回所有匹配的文件路径列表。它只有一个参数pathname,定义了文件路径匹配规则,这里可以是绝对路径,也可以是相对路径。下面是使用glob.glob的例子:import glob..原创 2022-01-24 15:24:51 · 2883 阅读 · 0 评论 -
超强半监督学习 MixMatch
人类的学习方法是半监督学习,他们能从大量的未标记数据和极少量的标记数据学习,迅速理解这个世界。半监督学习最近有没有什么大的突破呢?我的Twitter账号被这篇 《The Quiet Semi-Supervised Revolution》【1】博客刷屏了。这篇博客介绍了 DeepMind 的 MixMatch 【2】方法,此方法仅用少量的标记数据,就使半监督学习的预测精度逼近监督学习。深度学习领域的未来可能因此而刷新。以前的半监督学习方案,一直以来表现其实都很差。你可能会想到 BERT 和 GPT,这两个原创 2020-12-18 11:28:01 · 1005 阅读 · 1 评论 -
CVPR2020_Hierarchical Feature Embedding for Attribute Recognition详解
摘要由于视点变化、光照变化和外观变化等原因,属性识别是一项重要而又具有挑战性的任务。以往的工作大多只考虑属性级特征嵌入,在复杂的多类别识别条件下性能较差。为了解决这一问题,我们提出了一种层次特征嵌入(HFE)框架,该框架通过结合属性和ID信息学习细粒度特征嵌入。在HFE中,我们同时维护了类间和类内特征的嵌入。将具有相同属性的样本和具有相同ID的样本更紧密地聚集在一起,限制了视觉上的难样本在属性方面的特征嵌入,提高了对变化条件的鲁棒性。我们利用由属性和ID约束组成的HFE loss建立了该层次结构。我们还原创 2020-12-17 20:54:16 · 1201 阅读 · 1 评论 -
ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks论文详解
论文链接:https://arxiv.org/abs/1910.03151代码地址:https://github.com/BangguWu/ECANet原创 2020-12-03 10:04:28 · 2752 阅读 · 0 评论 -
Pycaffe测试:图片读取,预处修正等。
在这里插入代码片# 设定图片的shape格式为网络data层格式transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})# 改变维度的顺序,由原始图片维度(width, height, channel)变为(channel, width, height)transformer.set_transpose('data', (2,0,1)) # 减去均值,注意要先将binaryproto格式均值文件转换为np原创 2020-10-15 20:22:02 · 289 阅读 · 0 评论 -
CVPR2020 Improving Convolutional Networks with Self-Calibrated Convolutions论文详解 SC-Net 注意力机制
论文:http://mftp.mmcheng.net/Papers/20cvprSCNet.pdf代码:https://github.com/MCG-NKU/SCNet《Improving Convolutional Networks with Self-calibrated Convolutions》 CVPR2020 南开大学程明明团队(将多尺度引入Resnet中的Res2Net)CNN的最新进展主要致力于设计更复杂的体系结构,以增强其特征表示能力,各种卷积模块工作层出不穷,性能涨点明显,包原创 2020-11-26 20:21:22 · 1549 阅读 · 2 评论 -
HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis行人属性2017
HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis,来自SenseTime的论文,提出了一个基于注意力机制的深度网络HydraPlus-Net,将多层注意力机制图多向映射到不同的特征层。由HP-Net得到的注意力深度特征具有几个优点:(1)模型能够从浅层到语义层捕获注意力;(2)挖掘多尺度的注意力特征,充实最终的行人特征表示。代码:https://github.com/xh-liu/HydraPlus-Net引言行人识别.原创 2020-11-25 14:48:38 · 275 阅读 · 0 评论 -
Attribute Recognition by Joint Recurrent Learning of Context and Correlation人体属性论文2017
ICCV2017,论文链接https://arxiv.org/abs/1709.08553?context=cs比较老的一篇文章,参考其他博客,简单过一下。在监控场景中进行行人属性的识别,主要遇到的挑战是图像质量差,外形变化及属性可能在不同的空间位置,标记的训练样本少。论文提出JRL模型挖掘属性上下文信息及属性间相互关系提升识别准确率。JRL在一张行人图像内学习属性相关性,具体的说是属性预测顺序的相互关联性。解决属性预测遇到挑战的方法,一是使用属性的相关性:如“女性”和“裙子”在一张行人..原创 2020-11-12 20:07:32 · 462 阅读 · 0 评论 -
Attribute Aware Pooling for Pedestrian Attribute Recognition人体属性论文
摘要本文探索更好的应用深度卷积神经网络到行人属性识别问题,设计了一种新的属性感知池算法。现有的传统CNNs不能直接用于处理多属性数据,因为 标签空间较大,属性间纠缠和属性的相关性。通过充分利用不同属性之间的相关性来解决这些阻碍多属性分类CNNs发展的挑战。采用多分支结构对不同区域的属性进行操作。除了基于各分支本身的预测外,还利用各分支的上下文信息进行决策。为了实现这两种信息的集成,开发了属性感知池。因此,利用上下文信息可以准确地识别模糊或混杂的属性。在基准数据集上的实验表明,所提出的pooling方法能原创 2020-11-12 17:09:29 · 487 阅读 · 3 评论 -
人体属性论文解读1-Improving Pedestrian Attribute Recognition With Weakly-Supervised Multi-Scale Attribute
Improving Pedestrian Attribute Recognition With Weakly-Supervised Multi-Scale Attribute-Specific Localization文章:https://arxiv.org/abs/1910.04562代码:https://github.com/chufengt/iccv19_attribute核心点该论文主要从两点进行行人属性分析:1.使用多尺度的特征进行行人属性的判别,低层次的特征用于局部属性的判别,如是否佩原创 2020-10-15 20:27:30 · 627 阅读 · 0 评论