行人识别学习资料整理2018

最新推荐文章于 2023-08-04 14:31:19 发布
最新推荐文章于 2023-08-04 14:31:19 发布
阅读量3.3k 收藏 4
点赞数
分类专栏： 深度学习宝典
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/81431953
版权
本文整理了多个行人识别的PyTorch实现项目，包括基于Market-1501的数据集，稀疏标记平滑正则化的应用，多粒度网络，人类语义解析等。这些项目提供不同准确率和特性的解决方案，有的包含预训练模型，有的提供训练步骤，涵盖了从基础到进阶的各种方法。
摘要由CSDN通过智能技术生成

torch

准确率高 Python 2.7

https://github.com/qiaoguan/Person-reid-GAN-pytorch

 

稀疏标记平滑正则化在半监督人身份识别中的应用，准确率比较高，有权重

Sparse Label Smoothing Regularization for semi-supervised Person Re-Identification

https://github.com/jpainam/SLS_ReID

这个测试分步骤，看readme，比较长

Multi-query results for Market-1501 dataset

Dataset Rank 1 Rank 5 Rank 10 mAP
ResNet baseline 91.27% 96.85% 98.19% 76.94%
DenseNet baseline 92.90% 97.89% 98.69% 81.22
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
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
mvpose里的CamStyle model
11-26
mvpose里的CamStyle model.。
论文阅读——《Camera Style Adaptation for Person Re-identification》及相关复现
三度就好
01-02 594
最近在做reid跨域相关的project，所以拿近两年顶会上的几篇paper过来学习。希望可以通过GAN或者VAE在reid跨域问题上做一些工作。 先简单介绍下这篇paper。郑哲东大佬2018年的工作了，PT-GAN也是同组的相比于这个有推进的工作。主要都是利用cycle-GAN来实现不同camera间或者dataset间的风格转换。这篇paper通过cycl...
CPNet：Context Prior for Scene Segmentation(CVPR 2020)代码复现
DONG_LIN_2019的博客
07-28 641
代码复现（ tf 版本进行中）
CVPR代码复现(ML-GCN论文阅读以及Keras(多标签分类)代码实现)
weixin_39521013的博客
12-05 2604
CVPR代码复习,ML-GCN(Keras实现)
【行为检测】G-TAD复现（CVPR 2020）
聿默的博客
01-27 1006
代码参考： https://github.com/Frostinassiky/gtad 论文参考： https://arxiv.org/pdf/1911.11462.pdf 1.环境 ubuntu16.04 cuda9.0 python3.6 torch==1.1.0 安装 cd gtad_lib python setup.py install python align.py
基于深度学习的行人重识别探究.pdf
08-18
深度学习在行人重识别领域的研究是近年来人工智能技术应用中的热点课题之一，主要涉及计算机视觉、模式识别、数据分析等多个学科的交叉融合。行人重识别（Re-Identification, ReID）旨在解决在非重叠视角域多摄像头...
CV学习：利用opencv进行行人识别（实战）
最新发布
m0_51485946的博客
08-04 601
本文为图像分类的实战记录，主要是利用HOG+SVM进行人分类。
行人重识别的挑战 与 最新进展 （35页PPT整理）
郑哲东的博客
07-24 1262
行人重识别近几年获得了在测试结果上的大幅提升，甚至超过了人的分辨能力，但是我们在实际应用上仍有很多待解决的问题。在本文中，我们take a step back, 提出了一些问题和潜在的解决方案，主要以我们reler组的尝试为主，包括大家比较熟知的 PCB / HHL/ PUL/ SPGAN/ DG-Net等工作，抛砖引玉。 希望能为未来这个领域的发展提供一些新的视野。 由于篇幅，我们只能展示有限的工作，我们respect所有在这个领域作出贡献的老师同学们。感谢大家！这篇文章中提到多数文章的代码，我们都开源
车牌识别资料整理（论文15篇）
11-08
本资料包“车牌识别资料整理（论文15篇）”是一个关于车牌识别的研究集合，共包含45篇论文，分为三个部分，每部分包含15篇。这些论文代表了该领域的最新研究进展和技术趋势，对于深入理解和研究车牌识别具有极高的...
CAM算法手动复现.py
07-18
我们做深度学习中，到采用的训练方案是全监督的方式，这种全监督的方式，在基本的分类任务当中数据打标签的难度还好，但是在一些更多复杂的深度学习任务中，label的获取就有些困难了。 比如在图像分割领域当中，像素级的标签获取起来费事费力（labelme用起来还挺累的），有没有这么一种算法可以通过分类的标签衍生出像素级的标签，答案是有的。
基于Camstyle改进的行人重识别算法.pdf
03-27
基于Camstyle改进的行人重识别算法.pdf 更多资源请点击：https://blog.csdn.net/weixin_44155966
2016-行人再识别ReID综述.pdf
12-18
Person Re-identification:Past, Present and Future.pdf
复现MLKP(CVPR 2018)
xiaqi4145
03-12 1861
CVPR18 Paper: Multi-scale Location-aware Kernel Representation for Object Detection 论文地址：https://arxiv.org/abs/1804.00428 论文代码：https://github.com/Hwang64/MLKP 我google了一下，找不到关于这个论文实验部分的复现过程，然后去他的git...
CamStyle：Camera Style Adaptation for Person Re-identification阅读笔记
qq_35226955的博客
08-15 1693
Camera Style Adaptation for Person Re-identifification 作者： 种准，郑良，郑哲东，杨易等 2018CVPR 代码：https://github.com/zhunzhong07/CamStyle 和ZL老师团队2018年另一篇CVPR很相似：Image-Image Domain Adaptation with Preserved Self-S...
【代码复现】jointlearningretrievaldeformation,CVPR21_Joint Learning of 3D Shape Retrieval and Deformation
passer__jw767的博客
07-16 661
Run CVPR2021_Joint Learning of 3D Shape Retrieval and Deformation 因为evaluation的部分，我run的时候发现出现了dimension不匹配的问题，就想着自己重新训练一下模型，看一下是什么情况，以下是训练过程中的一些步骤。...
CVPR--I2SDF--Windows复现
weixin_43726202的博客
06-16 375
CVPR，i2SDF在windows上复现，踩坑笔记
RealBasicVSR（CVPR2022）复现过程
weixin_42130300的博客
05-12 2639
RealBasicVSR（CVPR2022）复现过程，引流：BasicVSR，BasicVSR++，RealBasicVSR，EDVR，MMagic
ConvNext模型复现--CVPR2022
冲出仁川，走出马德里，故事还会再继续
09-06 1934
ConvNet和Vision Transformer的ImageNet分类结果。我们证明了标准的 ConvNet 模型可以实现与分层视觉 Transformer 相同的可扩展性，同时在设计上要简单得多。视觉识别的“咆哮的 20 年代”始于 Vision Transformers (ViTs) 的引入，它迅速取代了 ConvNets，成为最先进的图像分类模型。另一方面，普通的 ViT 在应用于目标检测和语义分割等一般计算机视觉任务时面临困难。
行人重识别系统总体设计
05-04
行人重识别系统的总体设计可以分为以下几个步骤： 1. 数据集准备：收集和整理大量的行人图像数据，并标注每个行人的身份信息。 2. 特征提取：借助深度学习模型，对每个行人的图像进行特征提取，得到一个高维度的特征向量。 3. 特征匹配：根据特征向量的相似度，对每个行人进行匹配，将同一个行人的特征向量聚类在一起。 4. 行人检索：对于新的行人图像，提取特征向量，并与已有的行人特征向量进行匹配，找到与之最相似的行人。 5. 系统优化：对整个系统进行优化，包括模型选择、参数调整、数据增强、模型融合等等。 需要注意的是，行人重识别系统的实现需要考虑到多个方面的因素，如数据集的规模和质量、模型的精度和鲁棒性、算法的效率和可扩展性等等。因此，在实际应用中，需要根据具体的需求和场景，灵活地进行设计和优化。
评论
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