reid训练改进笔记

已于 2024-08-10 02:01:22 修改
阅读量179 收藏
点赞数
分类专栏： 人脸识别 深度学习宝典 文章标签： pytorch 深度学习 计算机视觉
于 2020-04-05 08:51:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/105320551
版权
本文记录了在PyTorch中进行ReID（Person Re-Identification）训练的一些改进措施，包括使用fc预训练，调整不同层的学习率策略，如fc层先设为1e-20，backbone设为0.001，待loss下降后再一同调整。在训练过程中，遇到了多进程数据不一致、数据增强的影响以及transform导致的问题，如38上transform使测试AP为0，而在25.73上恢复正常。同时强调data_transforms对内存连续性的要求。
摘要由CSDN通过智能技术生成

目录

超过百度reid精度的代码：

android sdk c++代码：

reid绝招：

超过百度reid精度的代码：

insightface_lbg.zip

faceID_ResNet_PFC

android sdk c++代码：

F:\project\hjimi\imi_faceID_android\imi_faceID_android\src\core

face_correct.cpp

imi_faceID

imi_faceID_android

reid绝招：

用fc预训练，先把fc的学习率设置为1e-20，待loss降低到1e-10以上，

再加载fc和backbone的预训练，把backbone学习设置为0.001，fc也是0.001，然后7200s精度不提升再降低学习率。

我用peleenet训练insightface

多进程导致数据打散不一致，4个进程导致不均匀

数据增强也导致了？</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
reid笔记 yolov5 deepsort
jacke121的专栏
10-08 3674
方案1： YoloV5 + deepsort + Fast-ReID 完整行人重识别系统（三）_zengwb的博客-CSDN博客 改进点：将deepsor的表征提取模型替换成了fastreid训练的reid模型。能够提升跟踪性能。 yolov5 + deepsort顺带实现了行人计数功能，统计摄像头内出现过的总人数，以及对穿越自定义黄线行人计数 开源地址： https://github.com/zengwb-lx/Yolov5-Deepsort-Fastreid ...
每周——ReID学习
叶晓默
11-03 2092
文章目录一、传统行人重识别1.1 基于人工特征设计（handcrafted features）1.1.1 低层视觉特征表达方法1.1.2 高层视觉特征表达方法1.2 基于度量学习（distance metric learning）二、基于深度学习2.1 通过分类（classification）模型提取行人外观特征2.2 通过验证（verification）模型学习行人外观特征三、基于无监督学习3.1 基于跨域迁移的学习3.2 完全无监督3.2.1 传统的基于特征设计的方法3.2.2 利用局部显著性统计特征的
人物重识别（ReID）：AaP-ReID: Improved Attention-Aware Person Re-identification
qq_34717531的博客
09-29 295
论文作者：Vipin Gautam,Shitala Prasad,Sharad Sinha作者单位：Indian Institute of Technology Goa论文链接：http://arxiv.org/abs/2309.15780v11）方向：人物重识别（ReID）2）应用：人物重识别3）背景：人物重识别是计算机视觉领域中一个众所周知的问题，其主要目标是在图像库中识别特定的个体。然而，由于姿势变化、光照变化、遮挡和复杂背景的存在等各种因素，具有挑战性。4）方法：在现有的ReID方法中，当目标被遮挡
fastreid训练、测试、模型转换（pth转onnx、onnx转rknn）
最新发布
qq_42541521的博客
07-03 1564
在fast-reid目录下的MODEL_ZOO.md里有预训练模型的下载路径,需下载,我使用的是BoTh(R50)对应的model,下载完成后放到。01 表示c1s1_000151这一帧上的第1个检测框，由于采用DPM检测器，对于每一帧上的行人可能会出现好几个bbox。一般使用bounding_box_test和bounding_box_train和query来进行训练和测试。第一例是按照相似度进行rank排列的结果，包含了正确的和错误的，下面一列表示预测正确的结果。
reid思路参考
m0_37192554的博客
01-13 1901
1、目标跟踪 + ReId https://zhuanlan.zhihu.com/p/88925638 1、#Re-ID# FANet：用于行人重识别的端到端前景识别网络 《An End-to-End Foreground-Aware Network for Person Re-Identification》 注：FANet 性能优于HPM和IANetIANet等网络，其在MARKET-1501和DUKEMTMC-REID上表现SOTA！ 作者：中科大&华为诺亚方舟实验室 2、#Re-ID# G
深度学习reid中的要点与技巧（含样本不平衡）
wykqhyjs的专栏
04-04 926
1、采用多分支任务增强特征表达，例如一个分支基于softmax loss做分类，另一个分支基于triplet loss做 reid。 repnet 属性分支：颜色和车型分类器；triplet loss 属性分支 分支融合：乘积、减、拼接concat（大量使用） 凡是用了deep ranking triple loss 这个技术一定要注意：不要重头训练，通常需要训练基本CNN 网络，例如先训练...
light-reid：轻量化行人重识别开源工具箱
qwj的博客
09-26 1401
light-reid 轻量化行人重识别开源工具箱
【论文笔记】AlignedReID: Surpassing Human-Level Performance in Person Re-Identification
不知小姐
04-19 443
1Introduction 行人识别的挑战 在不同时间地点，识别同一个人 在多摄像头或照片中，追踪同一个人 图像库中搜索行人 相册照片聚类 商店访客分析 难点：variations in pose, viewpoints illumination, and occlusion 传统解决方案： 专注于低水平的特征，例如颜色、形状和局部描述 深度学习CNN：通过各种度量学习loss端到...
泛读论文：Person-reID 行人重识别合集
热门推荐
汪汪汪的博客
03-19 1万+
2017CVPR、ICCV和NIPS在Person Reidentification方向的相关工作小结 基于融合特征的行人再识别方法 模式识别与人工智能 2017.3 问题 目前常用的行人再识别方法主要集中在行人外形特征的描述和同一行人对应的 2 幅图像之间距离的学习度量．由于行人图像的亮度和相机角度的变化等，提取行人的外形特征的不变性较难，因此在各个图像库上行人再识别的识别率较低 ...
【论文笔记】Pose Transferrable Person Re-Identification
不知小姐
01-03 2498
Abstract 行人重识别领域的一个关键挑战是如何在当前的标准数据集(Market1501,DukeMTMC-reID,CUHK03)没有充足的行人姿态变换的数据的情况下 训练一个鲁棒的行人重识别系统。 为了解决这个问题，论文提出了一个可变换行人姿态的行人重识别框架。 1. Introduction 姿态的变化是阻碍学习一个鲁棒Reid模型的关键因素之一。最近，基于方法的深度卷积网络...
训练fast-reid模型
linghu8812的博客
04-20 820
1. 下载项目 git clone git@github.com:JDAI-CV/fast-reid.git 2. 安装依赖 安装requirements.txt conda create -n fastreid python=3.7 conda activate fastreid conda install pytorch==1.6.0 torchvision tensorboard -c pytorch pip install -r docs/requirements.txt 编译rank_c
FastReID 从pytorch到caffe （二）训练reid模型
wangxiaobei2017的博客
12-08 682
训练reid模型
行人重识别（reid）近期最优最简模型的训练&测试
混日子的慕程序猿
07-09 8947
这一次开始实际操作reid~ 本篇文章代码源自： 来自于论文以及大佬&男神项目源 高阶代码源自：https://github.com/L1aoXingyu/reid_baseline 添加更多丰富的内容。 大神可以直接自行看高阶版。 萌新可以和我一起从简单开始学习。 论文简介 总的来说，就是大佬们diss了一下reid圈的现状，给出了一个更厉害的baseline，提出了一些小技巧和新的结构...
只通过拉近特征之间的距离来训练REID 模型
t20134297的博客
06-01 596
在正常的行人重识别深度学习的模型中，都是先将行人图片经过backbonne网络，提取特征，然后再将特征和Linear层进行了链接，然后根据输出的分类概率，来反馈，对网络进行优化。我就在想，可不可以不经过最后的分类层，而是直接在特征的层面进行优化。所以我写了一个损失函数： import torch import torch.nn as nn class Features_Loss(nn.Module): def __init__(self): super(Features_Los
行人重识别0-04：DG-Net(ReID)-模型训练-报错解决
江南才尽江南山，年少无知年少狂！
10-08 3642
以下链接是个人关于DG-Net(行人重识别ReID)所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信17575010159相互讨论技术。因为这是对我最大的鼓励。文末附带公众号−海量资源。极度推荐的商业级项目。...
行人ReID，参考以及后续训练,持续更新(二）2020
m0_37192554的博客
06-17 1725
2020年6月，重磅，最强重识别工具箱FastReID开源，附带多种SOTA模型 https://zhuanlan.zhihu.com/p/146137740 添加了最近最好的几个reid模型，很多训练技巧，组合 1）、AWG 方法，添加了三个结构局部结构，效果涨幅很厉害 2)、行人重识别 — Mutiple Granularity Network(MGN) 3）、Bag of Tricks and A Strong Baseline for Deep Person Re-identification
基于fastreid训练行人属性模型
Guo_Python的博客
02-02 2819
本文主要介绍用行人开源代码fastreid训练行人属性，行人属性数据集采用开源的PA00K。
reid训练自己数据集
08-17
要对自己的数据集进行ReID训练，可以使用FastReID工具箱。在训练阶段，你需要完成以下几个步骤： 1. 数据预处理：包括对数据进行Resize、Flipping、Random erasing、Auto-augment、Random patch、Cutout等数据增广方法的处理，这些方法可以提高特征的鲁棒性。 2. 选择骨干网络：选择适合你的数据集的主干网络，如ResNet、ResNest、ResNeXt等，同时还可以增强主干网络表达能力的特殊模块，例如non-local、instance batch normalization (IBN)模块等。 3. 训练模型：使用FastReID提供的众多State-of-the-art预训练模型，根据你的需求选择适合的模型，例如人员重识别、部分可见的人员重识别、跨域人员重识别和车辆重识别等。 通过以上步骤，你可以使用FastReID工具箱对自己的数据集进行ReID训练，得到适用于你的数据集的模型。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [Fast-ReID 训练自己的数据集调优记录（一）](https://blog.csdn.net/zengwubbb/article/details/109239869)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值