阅读小结An Improved Deep Learning Architecture for Person Re-Identification

最新推荐文章于 2024-08-08 08:08:38 发布
最新推荐文章于 2024-08-08 08:08:38 发布
阅读量2.7k 收藏 5
点赞数 4
分类专栏： 论文阅读 文章标签： 行人识别 计算机视觉 深度学习
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/layumi1993/article/details/51868154
版权

Author: Ejaz Ahmed,Michael Jones and Tim K. Marks 

http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Ahmed_An_Improved_Deep_2015_CVPR_paper.pdf


Motivation:

利用神经网络同时提取特征和相似矩阵学习来做reid问题（和图像分类中替代提特征和分类器的性质相同）

神经网络的输入为 一组图片（两张要比较的行人） 输出为相似值。

提出了一层来获得两个input中层特征之间的关系。之后还有patch summary feature。


How:

基本上理解了图，就理解了全文...


一开始采用的tied conv就是share wight的卷积。因为取中层特征的时候大家都一样。

接着到了cross-input neighbourhood 层在论文中有说明，意思是用一张图上（x，y），减去另一张图对应（x-2,x+2）,(y-2,y+2)这个临近区域每一个像素值可以得到5*5个值。如果上面一张中层特征图我们称为f，下面我们称为g。那么f-g的话有25张扩大了5*5倍的图，对应的用g-f也有25张5*5的图。

然后再继续做conv。需要注意的是这里两个25张图，之后用的是不同weight的conv（作者只是为了画图方便concat了在一起）

到最后在fully connected再真正concat到一起的。最后才用softmax loss。


欢迎关注知乎专栏 行人重识别

Layumi1993
关注
专栏目录
Using Transfer Learning to Improve Deep Learning Models
程序员光剑
08-02 831
作者：禅与计算机程序设计艺术Image classification and segmentation are the two most common applications of deep learning in medical imaging. However, it is not straightforward to use transfer learning methods for these tasks due to different dataset distributions, input
PPT形式论文总结An Improved Deep Learning Archiktecture for Person Re-Identification
07-11
记录在IPS学习过程中阅读过的论文以及PPT内容。这是一篇关于人物识别的文章。
行人检索“An Improved Deep Learning Architecture for Person Re-Identification”
cv_family_z的博客
11-13 6232
做行人检索的文章，输入是一对图像，网络输出这对图像的相似度值，新引入的网络层包括跨输入邻域差值层，根据图像对的卷积特征图计算局部关联，之后使用加和特征对输出特征图的邻域进行加和，最后计算远距离像素点的关联性。检索包括两部分，特征提取和特征相似度衡量。 传统的特征提取方法：颜色直方图，LBP，Gabor，local patch。 相似度度量：M氏距离，LFDA，MFA。网络架构：two layer
Person_reID_baseline_pytorch 开源项目教程
最新发布
gitblog_01030的博客
08-08 869
Person_reID_baseline_pytorch 开源项目教程 Person_reID_baseline_pytorch:bouncing_ball_person: Pytorch ReID: A tiny, friendly, strong pytorch implement of person re-id / vehicle re-id baseline. Tutorial ????htt...
2015 CVPR-An Improved Deep Learning Architecture for Person Re-Identification
Bo's Blog
05-09 3216
论文地址 代码实现：keras Motivation 继14年两篇用深度学习做re-ID工作之后，进一步对深度学习方法的探索 Contribution 提出了一个新的网络模型来同时学习特征和对应的相似性度量，两个特点： neighborhood difference layer：比较两个输入图像对中相近区域的经卷积后的相似图像特征 patch summary featrues...
CVPR2015：An Improved Deep Learning Architecture for Person Re-Identificaton
yuanchheneducn的博客
03-30 3114
An Improved Deep Learning Architecture nfor Person Re-IdentificationEjaz Ahmed (University of Maryland(College Park)美国马里兰大学帕克分校）这篇文章做了很多工作： - 改进了CVPR2014年香港中文大学论文的网络结构（交叉视角的近邻差计算层+块总结层） - 细致的层可视化
[论文阅读]CVPR2015_An Improved Deep Learning Architecture for Person Re-Identification
weixin_30597269的博客
05-16 313
Title:An Improved Deep Learning Architecture for Person Re-Identification Authors andAffiliations :Ejaz Ahmed from University of Maryland,Michael Jones and Tim K. Marks fromMitsubishi Electric R...
基于深度学习的Person Re-ID（综述）
热门推荐
跟随技术的脚步-linolzhang的专栏
05-01 2万+
一. 问题的提出        Person Re-ID 全称是 Person Re-Identification，又称为 行人重检测 or 行人再识别，直观上可以通过两种思路进行比对，一种是 通过 静态图像（still-image）进行特征比对，另一种是通过视频的时序特征（temporal）进行 Video Re-Id。        不管是采用 图像特征比对的方法 还是 结合时序特征比
泛读论文：Person-reID 行人重识别合集
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 ...
Beyond triplet loss—— Re-ID
shuzfan的专栏
04-15 1万+
一篇讲Person Re-ID的论文，来自CVPR2017，同样是改进了Triplet Loss。《Beyond triplet loss: a deep quadruplet network for person re-identification》 减小类内方差 和 增加类间方差
【论文笔记】An Improved Deep Learning Approach for Retrieving Outfalls Into Rivers From UAS Imagery
MENGM0
04-14 2492
An Improved Deep Learning Approach for Retrieving Outfalls Into Rivers From UAS Imagery 这是中国科学院地理科学与自然研究所发表在TRGS2021的文章 ，检测排污口（）
Deep_Learning_Architecture_for_AI.pdf
12-15
Theoretical results suggest that in order to learn the kind of com- plicated functions that can represent high-level abstractions (e.g., in vision, language, and other AI-level tasks), one may need deep architec- tures. Deep architectures are composed of multiple levels of non-linear operations, such as in neural nets with many hidden layers or in com- plicated propositional formulae re-using many sub-formulae. Searching the parameter space of deep architectures is a difficult task, but learning algorithms such as those for Deep Belief Networks have recently been proposed to tackle this problem with notable success, beating the state- of-the-art in certain areas. This monograph discusses the motivations and principles regarding learning algorithms for deep architectures, in particular those exploiting as building blocks unsupervised learning of single-layer models such as Restricted Boltzmann Machines, used to construct deeper models such as Deep Belief Networks.
阅读小结Improving Person Re-identification via Pose-aware Multi-shot Matching
郑哲东的博客
07-09 2327
Authors:Yeong-Jun Cho and Kuk-Jin Yoon  What： Person Reid 识别多个摄像头下的行人是否为同一人 Motion： 由于camera viewpoint 和 person pose带来的外形巨大改变，故提出了 Pose-aware Multi-shot Matching (PaMM)  分析这两种问题 （由于多个摄像头的设置
paper reading——《Improving Person Re-identification by Attribute and Identity Learning》
啊啊啊
04-18 3618
阅读翻译论文：Improving Person Re-identification by Attribute and Identity learning
1604.An Enhanced Deep Feature Representation for Person Re-identification 论文笔记
xuluohongshang的博客
12-27 533
这篇论文发表于IEEE Winter Conference on Applications of Computer Vision (WACV’2016) 论文类型：严格来说，该论文属于基于融合特征的度量学习方法，侧重点在深度特征和传统特征的融合，更鲁棒的表达。 1.作者的idea： 总结前人的研究成果，对传统特征表达做一次进一步的整合，再结合cnn深度特征提取，最后做一个特征融合，而融合的过
论文解读Face Detection using Deep Learning: An Improved Faster R-CNN Approach
transMaple的专栏
09-28 1314
无
2016 Deep Transfer Learning for Person Re-identification
Bo's Blog
05-19 1048
论文地址 一篇关于如何进行迁移学习干货的文章0.0 Motivation 现有的Re-ID数据集都相对较小，目前大多数方法都只在Re-ID数据集上训练得到模型，对于不同Re-ID数据集的泛化能力很差，如何利用其他大型数据集通过迁移学习得到更泛化的特征呢？ 现实应用中有大量的未标注的数据，采用无监督学习的方法来利用这些数据对于实际应用有重要的意义。 Contributio...
Deep Learning Architecture for Collaborative Filtering Recommender Systems
weixin_42553081的博客
09-08 369
Deep Learning Architecture for Collaborative Filtering Recommender Systems 协同过滤推荐系统的深度学习体系结构 文中对应的中说法 Predicted error （预测误差） = 可靠性 real predicted error 实际的预测误差 Abstract 本文提出了一种创新的深度学习框架来改进推荐系统中的协同过滤结果。它利用可靠性概念的潜力，通过在深度学习层加入预测误差(可靠性)来提高预测和推荐质量。基本思想是推荐高度预测的项
【深度学习】Deep Learning必备之必背十大网络结构
weixin_43960370的博客
03-30 2036
（从公众号转发过来发现图片不能引用，直接点上面链接吧）昨天的文章介绍了在学习Deep Learning过程中必须背熟的十几条知识点，主要让大家有个对深度学习的整体认识，有了对知识点的认识，然后可以针对不理解或不熟悉的point再单个的深入挖掘。今天想给大家分享一下DeepLearning常见的十大深度学习架构，这十个架构中，大家有见过或没见过的，见过的回顾一下，没见过的可以有个初步的认识，再有针对的学习，时间充裕的基础上可以多遍的阅读原始论文。
Multi-task deep learning
04-05
Multi-task deep learning refers to the use of deep learning algorithms to solve multiple related tasks simultaneously. In traditional machine learning, separate models are trained for each task, which...
评论 9
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

Layumi1993

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