Recurrent Convolutional Network for Video-based Person Re-Identification 学习笔记

最新推荐文章于 2020-12-08 17:13:51 发布
最新推荐文章于 2020-12-08 17:13:51 发布
阅读量2.3k 收藏 3
点赞数
分类专栏： 深度学习 计算机视觉 行人重识别 文章标签： 行人重识别
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/oso2008/article/details/74156898
版权

前几天看了一篇《Video-based Person Re-identification with Accumulative Motion Context》，里面提到了这篇论文作为它的baseline，今天找来这篇来读。
本篇论文是2016年CVPR上的论文，当时声称是第一篇将深度网络用于行人重识别任务上。
图 1-1 论文结构图
和这篇论文后来的发展不同，这篇论文对于单帧图片的特征提取只使用了一个CNN网络，对于帧与帧之间的联系，只依靠RNN来联系帧与帧之间的关系。
这里写图片描述
在输入端，输入的是3通道彩色图像和光流法处理后的2通道图。CNN结构比较简单，这里不重复描述。
最后输入o（t）之后，经过分类损失和孪生网络损失得到最后的损失。

实验细节上，孪生网络的边界m设置为2，随机梯度下降法的学习率为0.001，输出o的维度为128.

香客斯的美酒
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[Paper note] Video-based Person Re-identification with Accumulative Motion Context
chn13的博客
01-05 2018
paper note for Video-based Person Re-identification with Accumulative Motion Context
RCNN网络读后感
weili_的博客
04-09 304
Recurrent Convolutional Network for Video-based Person Re-Identification16年CVPR 基于的数据集是在iLIDS-VID、PRID-2011两个数据集上进行实验的。在PRID-2011上的精确度是70%，在iLIDS-VID上的精确度是58%。创新点：这是第一次将深度学习应用于基于视频的行人再识别（该文章最大的创新点）。提出...
Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification
han jan的博客
12-28 1970
一、介绍 这是一篇华中科技大学和IBM人工智能研究中心在2017年ICCV上发表的文章。在这篇文章中，作者提出了一个新奇的联合空间和时域注意力池化网络（ASTPN）来解决视频行人重识别问题。他们提出的方法能够利用到输入视频对之间的相互依赖性，来计算得到各自的特征表示。他们网络中的空间池化层能够从每个视频帧中选择重要的区域，时域注意力池化能够在整个视频序列中选择包含判别信息的帧。这两个池化层都受到...
CVPR 2016 摘要阅读
Tsingzao的博客
08-02 3万+
为了说明看过CVPR2016全部文章的摘要，总结一下，摘要只保留了创新点部分。 ORAL SESSION Image Captioning and Question Answering Monday, June 27th, 9:00AM - 10:05AM. These papers will also be presented at the following poster sessio
Top-push Video-based Person Re-identification
yuanchheneducn的博客
12-01 1279
作者：中山大学Jinjie You†,‡, Ancong Wu†,‡, Xiang Li†,‡, and Wei-Shi Zheng∗动机大多数研究都是研究基于静止图像的person re-id，但是由于从静止图像中提取的信息是有限的，因此可以基于视频的re-id，利用额外的时空信息提取更多信息。然而基于视频的方法，使得类间的间隔更具模糊性。因此提出TDL.TDL具体的损失函数： 这个损失
Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution
02-10
Bidirectional Recurrent Convolutional Networks for Multi-Frame Super-Resolution
An Attention-based Recurrent Convolutional Networkfor Vehicle
01-10
2019年的一篇研究论文《An Attention-based Recurrent Convolutional Network for Vehicle Taillight Recognition》提出了一种端到端的深度学习框架，专门用于从连续图像序列中识别车辆的尾灯信号，包括后转向和刹车...
Convolutional-Recurrent-Neural-Networks-for-Relation-Extraction:卷积递归神经网络用于关系提取的Tensorflow实现
05-15
使用卷积递归神经网络的关系提取挑战的深度学习方法（ ）。 实验结果 参数 测试数据准确性 F1分数 最大CRNN 73％ 74.28 CRNN-Att 65.95％ 70.14 用法 火车 火车数据位于“ SemEval2010_task8_all_data / ...
Improved Recurrent Neural Networks for Session-based Recommendations.pdf
06-11
Improved Recurrent Neural Networks for Session-based Recommendations
matlab代码先保存在运行-Recurrent-Convolutional-Video-ReID:本文的实现-基于视频的人员重新识别的递归卷
05-19
Video-based Person Re-Identification}, author={McLaughlin, N and Martinez del Rincon, J and Miller, P}, booktitle={CVPR}, year={2016} } ##摘要我们通过拍摄图像序列并训练神经网络以产生代表整个序列的...
行人重识别阅读笔记之Spatial-Temporal Graph Convolutional Network for Video-based Person Re-identification
weixin_51138870的博客
12-08 1915
行人重识别阅读笔记之Spatial-Temporal Graph Convolutional Network for Video-based Person Re-identification摘要介绍模型PreliminaryPatch Graph ConstructionTemporal GCN ModuleStructural GCN ModuleModel and Loss Functions 论文连接：Spatial-Temporal Graph Convolutional Network for V
see the forest for the trees：spitial and temporal recurrent neural networks for video-based re-id
oso2008的博客
07-21 1396
这是一篇来自2017年的中科院自动化所的论文，也是导师让读的3篇神经网络与多任务学习的3篇论文之一。读的不是很懂，把主要方法记录一下。这篇论文采用三元组的输入形式，以序列3元组的形式去计算损失函数。在使用CNN去提取特征之后，分别通过时序RNN去学习特征，和图像序列组合后通过空间RNN来进行度量学习。 下图是本文的基本结构和框架： 从总体框架来看，这篇和之前看的论文的孪生网络+RNN提取特征
CVPR2019--VRSTC:Occlusion-Free Video Person Re-Identification
热门推荐
cherryyiyi的博客
10-14 9万+
文章链接：添加链接描述 摘要 针对视频行人重识别的部分遮挡问题，提出了一个时空补全网络（Spatio-Temporal Completion network, STCnet）用来精确的恢复遮挡部位的信息。相较于之前的大部分工作选择丢弃部分遮挡的图片 ，基于深度学习的STCNet方法可以恢复遮挡部分，利用spatial structure预测哪部分被遮挡，temporal patterns提供生成遮...
AAAI2019行人重识别论文
weixin_42881607的博客
04-23 1010
Spatial-­‐Temporal Person Re-­‐identification Learning Resolution-­‐Invariant Deep Representations for Person Re-­‐Identification HSME: Hypersphere Manifold Embedding for Visible Thermal...
Video-based Person Re-identification with Accumulative Motion Context
oso2008的博客
06-29 1083
这篇论文是Hao Liu, Zequn Jie, Karlekar Jayashree, Meibin Qi, Jianguo Jiang and Shuicheng Yan等人发布在arvix平台上的论文。因为本人的研究方向是视频领域的行人重识别，最近对深度网络领域在re-id领域的兴趣比较大，导师就让看看这篇论文。 这篇论文的网络结构如下图所示： 对于底层的特征提取，论文主要使用空
Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function
yuanchheneducn的博客
11-30 3259
作者：西安交大的De Cheng, Yihong Gong, Sanping Zhou, Jinjun Wang, Nanning Zheng主要贡献：贡献有两个，一个是改进的网络结构，一个是改进的triplet loss.网络结构： 该网络结构一共有5个channels，其中一个是整个身体的channel，其他四个对应四个parts的channels。 其中： full-body chann
Parameter-FreeSpatialAttentionNetworkforPersonRe-Identification
DBG的博客
03-27 1724
摘要：GAP(global average pooling)可以帮助我们产生辨别性的信息用于识别，但是在行人重识别领域，如果关键信息丢GAP就会收到很大的影响，比如摄像头角度变了。为了解决这个问题，通过在高阶语义上建模空间关系来获得目标的全局配置被证明是有效的。作者提出了一种新的行人的再识别体系结构，该结构基于一种新的无参数空间注意层，将特征图上激活之间的空间关系引入到模型中。 GAP是一个众所...
Relation Network for Person Re-identification阅读总结
qq_35226955的博客
12-08 782
Relation Network for Person Re-identification阅读笔记 What？ 直接PCB太暴力了，没有考虑到块与块之间的关系。于是本文提出了一种one-vs-rest relational 策略考虑了块与块之间的关系。具体如下： 以p1p_1p1​为例，上图p1p_1p1​~p6p_6p6​的获取方式和PCB完全一致，后面则略有不同。 这里将p2p_2p2​~p6...
semi-supervised hierarchical recurrent graphneural network for city-wide par
最新发布
11-20
在城市规划和管理中，使用半监督式分层循环图神经网络（semi-supervised hierarchical recurrent graph neural network）对城市范围内的参数进行建模和预测是一种有效的方法。 首先，该网络结合了图神经网络的能力，可以有效地处理城市中大量的空间数据，并且能够捕捉数据之间的复杂关系。其次，通过分层和循环的设计，可以用于处理多层级的城市空间结构，并且能够考虑时间序列数据的变化和演化趋势。此外，采用半监督学习的方式，可以利用少量已知的标注数据，结合大量未标注数据，来建立模型和进行预测，从而提高了建模的效率和预测的准确性。 在城市规划中，这种方法可以应用于城市交通流量预测、城市空气质量监测、城市资源利用优化等方面。通过分析和预测这些参数，可以帮助城市管理者做出科学决策，提升城市的运行效率和市民的生活质量。 总的来说，semi-supervised hierarchical recurrent graph neural network for city-wide parameters modeling and prediction是一种适用于城市规划和管理的先进技术，可以帮助我们更好地理解和把握城市的发展和变化趋势，从而更好地提升城市的可持续发展水平。
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