论文笔记18 --（ReID）Spatial-Temporal Person Re-identification

最新推荐文章于 2024-06-21 00:51:31 发布
最新推荐文章于 2024-06-21 00:51:31 发布
阅读量3.1k 收藏 5
点赞数
分类专栏： Deep Learning Person Re-ID 文章标签： reid 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/lwplwf/article/details/88670107
版权

《Spatial-Temporal Person Re-identification》
论文：https://arxiv.org/abs/1812.03282?context=cs
GitHub：https://github.com/Wanggcong/Spatial-Temporal-Re-identification

这篇是中山大学赖剑煌老师团队发表在AAAI2018上的一篇paper。这篇paper在有监督的reid上结合了时空数据做多模态融合，在Market-1501和Duke两个数据集上达到了超越所有纯视觉有监督方法的效果，在reid的实际应用场景中，我们非常容易获取时空信息，哪个摄像头在什么时间拍摄图像完全可以知道。

Market-1501: rank-1=98.0%, mAP=95.5%
Duke-MTMC：rank-1=94.5%, mAP=92.7%

架构非常简单，用ResNet50+PCB提取视觉特征和视觉相似度，在从数据集中提取时间和摄像头编号构造行人迁移的时空模型，算出时空相似度，然后对两个分数做一点精修再相乘，得到融合的分数。

Reference

https://zhuanlan.zhihu.com/p/52274204

零尾
关注
专栏目录
[ICCV 2021] Pyramid Spatial-Temporal Aggregation for Video-based Person Re-identification
rtluhu的博客
11-19 3291
1.论文动机 行人重识别技术的目的是实现跨摄像头的行人快速检索。因为在现实场景中的广泛应用，它已经成为计算机视觉领域的一个热门方向。虽然基于图像的行人重识别方法已取得了一些令人瞩目的进展。但是在实际应用中图像数据容易出现遮挡或者错误检测等问题，因而严重影响了行人重识别的精度。相比图像数据，视频数据包含更为丰富的时空信息，因而能避免图像数据的一些弊端，从而提取出更加有效的行人特征。为了获取视频中对应的行人特征，过去提出的一些方法比较倾向于直接利用3D卷积[1]或循环神经网络[2]进行时空信息建模。但是受..
STA: Spatial-Temporal Attention for Large-Scale Video-based Person Re-Identification
博客
05-14 1353
Abstract In this work, we propose a novel Spatial-Temporal Attention (STA) approach to tackle the large-scale person re-identification task in videos. Different from the most existing methods, which s...
时空行人重识别 Spatial-Temporal Person Re-identification
weixin_43748330的博客
12-22 2302
时空行人重识别 Spatial-Temporal Person Re-identification GuangcongWang1,JianhuangLai1;2;3,PeigenHuang1,XiaohuaXie1;2;3 中山大学数据与计算机科学学院，中国广东省信息安全技术重点实验室 教育部机器智能与高级计算重点实验室 摘 要：目前大多数行人重识别方法忽略了时空约束。对于给定的查询图像，传统的...
Reid系列论文学习——换装Reid
最新发布
z240626191s的博客
06-21 1030
今天要学习的有关Reid的论文是2019年提出的一篇名为：Beyond Scalar Neuron: Adopting Vector-Neuron Capsules for Long-Term Person Re-Identification.大多数Reid的研究都聚集在人员，也就是说针对人员来说，数据分布相似度是比较大的。但在一些场景中人员是有可能换衣服的，这里举个例子，比如在追寻一个嫌疑人，该嫌疑人在A场景穿的红色衣服，当他进入B场景后换了一件黑衣服，那么用传统的方法可能就不太行了。因此这篇文章。
A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos 论文记录总结
深度菜鸡-达闻西的博客
03-30 1021
A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos 文章目录A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos摘要介绍最近工作所提出的方法实验总结新的改变功能快...
Spatial-Temporal Person Re-Identification 阅读笔记
dengdeliao的博客
02-06 1233
Spatial-Temporal Person Re-Identification（2019） 阅读笔记 中山大学赖剑煌老师团队发表在AAAI2019上的一篇文章，在有监督的reid上结合了时空数据做多模态融合，架构用ResNet50和PCB架构，在Market-1501和Duke两个数据集上达到了超越所有纯视觉有监督方法的效果。 Introduce 现有的挑战大概有：估算分布复杂的人员ReID时...
2024 ICDE | 时空（Spatial-Temporal）数据论文总结
suzukiwudi的博客
03-15 1600
本届ICDE Research共接收论文375篇，Industry and Application接受论文21篇。本文总结了ICDE 2024上有关时空数据（Spatial-Temporal）的工作。如有疏漏，欢迎补充。 时空数据Topic： 时空数据挖掘：时空预测，POI预测，持续学习，轨迹异常检测等 时空数据管理：轨迹数据管理，轨迹查询优化，路径规划，轨迹相似度检测，空间众包等
期权matlab代码-Spatial-Temporal-Pooling-Networks-ReID:ICCV2017论文的代码-联合专注的时空
05-26
Spatial-Temporal Pooling Networks for Video-based Person Re-Identification}, author={Shuangjie Xu, Yu Cheng, Kang Gu, Yang Yang, Shiyu Chang and Pan Zhou}, booktitle={ICCV}, year={2017} } 依存关系 ...
Spatial-Temporal-Pooling-Networks-ReID:徐双杰（2017.https
05-14
时空池网络（Spatial-Temporal Pooling Networks, STPN）是计算机视觉领域中行人重识别（Person Re-Identification, ReID）的一种创新性方法。在ICCV 2017上，徐双杰提出了这一技术，旨在解决跨摄像头下行人检测和...
[Paper note] Video-based Person Re-identification with Accumulative Motion Context
chn13的博客
01-05 2034
paper note for Video-based Person Re-identification with Accumulative Motion Context
PersonReID-TSF:AAAI 2020 论文代码 Rethinking Temporal Fusion for Video-based Person Re-identification on Semantic and Time Aspect
05-29
在语义和时间方面重新思考基于视频的人员重新识别的时间融合（AAAI 2020） AAAI 2020 论文。 如果您发现此代码对您的研究有用，请考虑引用： @article{jiang2020rethinking, title={Rethinking Temporal Fusion for Video-based Person Re-identification on Semantic and Time Aspect}, author={Xinyang Jiang, Yifei Gong, Xiaowei Guo, Qize Yang, Feiyue Huang, Weishi Zheng, Feng Zheng, Xing Sun}, booktitle={AAAI}, year={2020} } 要求 Python 2.7 pytorch 0.3.1 MARS、
ReID简记-2-Spatial and Temporal Mutual Promotion for Video-based Person Re-identification
u013368992的博客
12-28 1108
创新点 （1）Refining Recurrent Unit (RRU) 关注遮挡，外观噪声和运动信息 （2）Spatial-temporal Clues Integration Module (STIM) 整合时空信息 （3）Multi-level Training Objective 增强上述两者能力 总结 网络有点复杂，真的是玩出了花。 （1）RRU，可以看成时CNN的RNN化，堆叠了几个权值...
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting
qq_30516823的博客
01-30 3877
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting 作者：徐明星 （清华大学）Mingxing Xu, 戴文睿（上交大）等 下载链接 Abstract 交通流具有高度的非线性和动态的时空相关性，如何实现及时准确的交通预测，特别是长期的交通预测仍然是一个开放性的挑战 提出了一种新的Spatio-Temporal Transformer Network(STTNs)范式，该范式联合使用 dynamical directed sp
论文笔记——Spatial-Temporal Relation Networks for Multi-Object Tracking
qq_43687144的博客
11-20 766
模式：tracking-by-detection 思路：通过时间空间的融合强化图片中每一个追踪到的目标的特征，用于相似度比较。 总体框架图： Figure2中的Spatial-Temporal Relation Networks是本文的主要创新点，Hungarian Algorithm 可以选出追踪目标（s）与最新一帧中的探测目标（s）的最大匹配。Hungarian Algorithm不是神经网络没有可学习参数。 Spatial-Temporal Relation Module： Spatial: 每帧中
论文解析：Spatial-temporal Semantic Corridor(SSC)在环境建模中的应用
gophae的博客
02-06 3845
本文解析Safe trajectory generation for complex urban environments using spatio-temporal semantic corridor 中提到的 Spatial-temporal Semantic Corridor(SSC) 概念，并讨论其如何在自动驾驶的环境建模中使用。 文章的contribution为： 使用SSC将不同的语义信息统一在时空语义通道中。 使用基于优化的trajectory generation 方法进行motion p
2006-Person Reidentification Using Spatiotemporal Appearance 论文笔记
wxf19940618的博客
01-04 695
2006-Person Reidentification Using Spatiotemporal Appearance 论文笔记 一、提出问题 需要建立对应关系，即确定应该将一个图像的哪些部分与第二个图像中的哪些部分进行比较； 需要生成对照明，姿势和服装的动态外观变化不变的表征。 二、论文贡献 提出用时空分割算法来生成对服装外观变化具有鲁棒性的显著边缘。通过组合标准化颜色和显著边缘直方图...
Spatial-Temporal Fusion Graph Neural Networks 阅读笔记
qq_41451283的博客
05-30 1205
参考资料： 论文笔记：https://zhuanlan.zhihu.com/p/342483943 DTW算法：https://blog.csdn.net/zouxy09/article/details/9140207 Spatial-Temporal Fusion Graph Neural Networks 阅读笔记 1、Abstract 当前模型存在问题： 通过含不完全的邻接连接的空间图结构表示能力有限，限制了这些模型有效地学习时空相关性。 通常使用单独的模块来实现空间和时间相关性，或者只使用独
【谷歌翻译】【TIP17】Video Saliency Detection via Spatial-Temporal Fusion and Low-Rank Coherency Diffusion
郡主的博客
05-20 849
摘要 本文提出了一种基于时空显着性融合和低秩一致性引导显着扩散的视频显着性检测新方法。与传统方法形成鲜明对比的是，它们以逐帧方式局部地进行显着性检测，并且容易产生不正确的低级显着图，为了克服现有的困难，本文提出将颜色显着性基于全局运动线索以分批方式进行。并且我们还提出了低秩一致性引导的时空显着性扩散以保证显着性图的时间平滑性。同时，还设计了一系列显着性提升策略，以进一步提高显着性准确度。首先，将原...
deep-person-reid怎么配置文件搭建模型吗
05-05
deep-person-reid是一个用于行人重识别的开源库，它基于PyTorch深度学习框架实现。在使用deep-person-reid进行行人重识别之前，需要进行以下步骤： 1.安装deep-person-reid库 ``` pip install deep-person-reid ``` 2.准备数据集 deep-person-reid支持Market1501、DukeMTMC-reID、CUHK03等多个数据集。你需要先准备好数据集并按照要求的文件夹结构进行组织。 3.配置文件 在deep-person-reid中，模型的配置信息是通过yaml文件进行配置的。你需要创建一个yaml文件，指定数据集路径、模型类型、训练参数等信息。以下是一个示例配置文件： ``` data: sources: ['market1501'] targets: ['market1501'] height: 256 width: 128 combineall: False transforms: ['random_flip', 'color_jitter'] model: name: resnet50 pretrained: True num_classes: 751 loss: name: triplet margin: 0.3 weight_t: 1 weight_x: 1 weight_reg: 0.0005 optimizer: name: adam lr: 0.0003 weight_decay: 5e-04 lr_scheduler: name: step step_size: 40 gamma: 0.1 train: start_epoch: 0 max_epoch: 60 batch_size: 32 workers: 4 print_freq: 10 test: batch_size: 100 workers: 4 ``` 在这个示例配置文件中，我们指定了使用Market1501数据集，使用resnet50模型，使用triplet loss进行训练，使用adam优化器进行优化等等。 4.训练模型 使用deep-person-reid训练模型非常简单，只需要执行以下命令即可： ``` python train.py --config-file /path/to/config.yml ``` 其中，`/path/to/config.yml`指定了你的配置文件路径。 5.测试模型 在训练完成后，你可以使用以下命令测试模型： ``` python test.py --config-file /path/to/config.yml ``` 这个命令会输出模型在测试集上的准确率等指标。
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
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