MOTMlsc的博客

YOLOv11506.02640：You Only Look Once: Unified, Real-Time Object Detection原文链接： https://arxiv.org/abs/1506.02640摘要：YOLO模型仅对完成图片进行一次评估，就可以预测物体的边框和类别的概率。模型的处理速度快，基础YOLO模型在1秒内处理45帧，FASTYOLO模型1秒内可以处理155帧，并且和其他最新成果相比具有两倍的准确率。但是YOLO模型的边框定位错误较高，但是对于背景的错误预测率很低。

原文链接： https://arxiv.org/abs/1902.09080v1摘要：作者提出了通过探索分割结果作为自注意力机制的线索有助于提升识别性能。将语义特征图和卷积特征图合并，为行人识别与分类提供了更多的区分性特征。通过联合学习，作者提出的自注意力机制可以高效的识别行人区域并抑制背景。文章贡献：（1）提出了通过探索分割结果作为自注意力机制的线索有助于提升识别性能。（2）提出了多尺度多任务学习框架，通过多尺度中间网络连接学习行人检测和语义分割，可以融合不同粒度的语义信息到共享特征图中。（3

原文链接：https://arxiv.org/abs/1904.01990摘要：传统的无监督区域自适应方法（unsupervised domain adaptation）的思路是减少已标记域和未标记域之间的特征差异，但是这种方法很大程度上忽略了域内变化。而作者提出了三种内在不变性：样本不变性、相机不变性和邻域不变性（exemplar-invariance, camera-variance and neighborhood-invariance）。引入了存储模块存放目标域的特征和三种不变性。三种不变性的

原文标题：Perceive Where to Focus: Learning Visibility-aware Part-level Features for Partial Person Re-identification文章链接：https://arxiv.org/abs/1904.00537摘要：为了解决行人图像之间的不对齐性，作者提出了Visibility-aware Part Model（VPM），这个模型通过自监督学习图像的区域特征，比对图像之间共享的部分进而达到更高的准确率。文章贡献：

文章链接：https://arxiv.org/abs/1903.06325摘要：作者提出了一种无监督的软多标签学习模型，用以解决缺少标记标签的问题。通过比较未标记对象和已知对象的辅助域，为标记对象学习软多标签的区别性嵌入。引入参考代理学习（reference agent learing），以联合嵌入的参考代理来表示参考人。这里很绕口:(文章贡献：提出软多标签参考学习，通过发掘数据中的潜在标签，以解决无监督学习缺少标记的问题。1.概述（a）Soft multilabel-guided hard n

CVPR2019行人重识别论文笔记系列1812.02162：Dissecting Person Re-identification from the Viewpoint of Viewpoint文章链接：https://arxiv.org/abs/1812.02162文章贡献：提出了一种三维合成数据生成器PersonX。基于PersonX生成的数据集，研究了视点对识别效果的影响。1. PersonX：PersonX是基于Unity完成，其中包含1266个手工行人模型，其中包括547位女性和