Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification简单的阅读理解

最新推荐文章于 2022-07-20 14:52:22 发布
原创 最新推荐文章于 2022-07-20 14:52:22 发布 · 698 阅读 · 1 ·
CC 4.0 BY-SA版权
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。

本文介绍了一种用于行人重识别的人工智能算法，该算法采用层次聚类结合硬批次三元组损失的方法，能够有效提高识别准确率。

Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification简单的阅读理解

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Deep Metric Learning with Hierarchical Triplet Loss 阅读笔记
gzw110605110的博客
05-14 1663
创新点和动机 文章提出了 hierarchical triplet loss (HTL) 方法，该方法主要通过定义一个编码上下文信息的树来收集信息样本，改进了在 mini-batch 中随机取样导致的陷入局部最优和收敛速度慢等问题。 解决方法 给定使用传统 triplet loss 预训练的神经网络 ϕt(⋅,θ)(∈Rd)\phi_{t}(\cdot, \boldsymbol{\theta})\...
【行人重识别】《In Defense of the Triplet Loss for Person Re-Identification》论文阅读
不可能打工的博客
12-16 545
论文：https://arxiv.org/abs/1703.07737 GitHub：https://github.com/VisualComputingInstitute/triplet-reid 论文创新 针对现有triplet loss缺点，提出了几种新型的triplet loss，进行了横向的实验对比 对于reid模型是否需要使用pre-trained模型这一问题，进行了实验对比 相关...
Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification
worth_or_not的博客
09-03 1251
Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification Contribution ： 提出了无监督重识别方法 HCT ； 在每次聚类迭代后使用 PK sampling ，减少 hard example 的影响 ， 减少False Positive 样本； HCT ： 使用 euclidean 距离 ； 分为四个步骤 ： 聚类 – PK 取样 – 微调 – 评估模型性能，并反复迭代直到性能不再提升
百度框架paddlepaddle实现改进三元组损失batch hard Triplet Loss
weixin_37864449的博客
07-11 2360
import paddle.fluid as fluid def batch_hard_triplet_loss(input, y_true, margin,batch_size): """ :param input: shape:[batch,feacture] :param y_true:shape:[batch,1],y_true is label ...
CVPR 2020 论文大盘点-行人检测与重识别篇
我爱计算机视觉
06-16 8645
本文盘点CVPR 2020 所有行人检测（Pedestrian Detection）与人员重识别（Person Re-Identification，ReID）相关论文，在视频监控领域该方...
【arXiv 2021】Cluster Contrast for Unsupervised Person Re-Identification（CCU）
Joselynzhao
10-11 1919
方法概述 1，提出 cluster contrast（聚类对比）来存储特征向量和计算对比损失。 2，展示了 通过聚类级别的内存字典，可以解决聚类特征表达不一致的问题。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架算法描述具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Cluster Contrast for Unsupervised Person Re-Identification CCU a.
CCF A类会议或期刊----近两年聚类相关论文
Thincor的博客
03-21 6630
会议/期刊 论文 sigmod2021 Fast Density-Peaks Clustering: Multicore-based Parallelization Approach. sigmod2021 SharPer: Sharding Permissioned Blockchains Over Network Clusters. sigmod2021 Dynamic Structural Clustering on Graphs. sigmod2021 On Saving....
【论文阅读】Dense Passage Retrieval for Open-Domain Question Answering
xxr233的博客
07-20 1973
Dense Passage Retrieval for Open-Domain Question Answering
CVPR2020 ReID（1）——相关论文汇总及解读
与贰的博客
06-16 6433
CVPR 2020相关的论文出来了，最近刚好在做一些和Reid相关的工作，所以决定把这部分的论文整理整理，与人方便自己方便。欢迎大家交流指正。 （1）Camera On-boarding for Person Re-identification using Hypothesis Transfer Learning 这篇文章目标是将已有Reid模型通过一定的方法可以推广到新的camera环境中去。作者把这种方法称为假设迁移学习，大致可以认为，利用已有的source集上训练的模型和少量的已有的标注数据，就可以
Re-ID阅读笔记（二）：《In Defense of the Triplet Loss for Person Re-Identification》
LJW的博客
04-06 1248
水平有限，疏漏之处在所难免，欢迎大家批评指正 论文作者:Alexander Hermans（亚琛工业大学） 论文链接：《In Defense of the Triplet Loss for Person Re-Identification》 一.前言 这篇论文提出的hard triplet loss主要贡献了一种困难三元组采样的方式，在Re-ID各个数据集中取得很极佳的效果。有些研究人员基...
深度学习triplet loss 做人再识别（person-reid）
谷雨的博客
02-21 1万+
最近需要做这个课题，采用深度学习做，废话不多说，直接说一下我的思路以及遇到的问题，希望能有人交流一下（哭，效果一直不好，找不到原因）。主要是参照cvpr的这篇论文Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function.pdf（链接http://z-yt.net/tmp/
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
DG-Net：Joint Discriminative and Generative Learning for Person Re-identification阅读总结
qq_35226955的博客
08-09 2039
Joint Discriminative and Generative Learning for Person Re-identifification 作者：ZZD 英伟达实习作品 2019年CVPR oral 代码：https://github.com/NVlabs/DG-Net 简介视频：https://www.bilibili.com/video/av51439240 paper：ht...
CVPR2020|行人检测与重识算法推荐论文源码大盘点
图像算法Imalg的博客
06-18 3620
本文收集了CVPR 2020 一些行人检测与人员重识别优秀论文，我们知道在视频监控相关领域这些技术方向可以得到很好得广泛应用。 行人检测及人群计数从内容来看主要解决行人与行人、行人与物体间的遮挡透视，和尺度问题带来得挑战 人员重识别有基于静态和动态视图ReID，方向可细分为：跨分辨率、跨域、跨模态（可见光-红外）、遮挡、非监督、射频信号人员重识别等。 相关论文 1.Detection in Crowded Scenes: One Proposal, Multiple Pred...
【Person Re-ID】In Defense of the Triplet Loss for Person Re-Identification
大雄的专栏
12-14 1579
paper下载地址：https://arxiv.org/abs/1703.07737 code下载地址：https://github.com/VisualComputingInstitute/triplet-reid Introduction 本文主要是针对triplet loss做的改进：triplet loss最重要的步骤就是hard-mining，而在选择hard-example过程中
特征图注意力_论文阅读|一种用于无监督行人重识别的注意力驱动的两阶段聚类方法...
weixin_39663360的博客
11-22 877
《An Attention-driven Two-stage Clustering Method for Unsupervised Person Re-Identification》 ECCV，2020，论文笔记。论文地址：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123730018.pdf​www.ecva.net一、简介该...
【NIPS 2020】Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID
Joselynzhao
10-09 1098
#方法概述 文章目录内容概要工作概述成果概述方法详解方法框架算法描述具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 row 1 col 1 row 1 col 2 在线链接： 源码链接： 工作概述 成果概述 方法详解 方法框架 算法描述 具体实现 实验结果 总体评价 引用格式 参考文献 ...
triplet改进,变种
weixin_33795743的博客
10-05 543
1.一开始是FaceNet 2.一个重要的改进：image-based, Ding etal. 3.对于样本挑选的改进： 1）hard samples: hard positive 和hard negative(In Defense of Triplet Loss for person Re-Identification) 2) hard negative (cvpr2016,车辆检索...
Hierarchical Object-to-Zone Graph for Object Navigation
最新发布
07-12
在对象导航（Object Navigation）任务中，构建**分层对象到区域图**（Hierarchical Object-to-Zone Graph）是一种有效的方式，用于组织场景中的语义信息并辅助智能体进行路径规划和目标定位。这类方法通常通过将环境建模为多个抽象层次的图结构，从而实现从高层语义指导到底层动作决策的高效导航。 ### 分层对象到区域图的核心思想 1. **区域划分与对象关联** 场景被划分为若干个功能区域（例如厨房、客厅、卧室等），每个区域内包含一组相关的物体对象（如厨房中包含冰箱、微波炉、餐桌等）。这种区域划分可以基于语义分割或空间聚类算法实现。 2. **图结构构建** 图中的节点包括： - 区域节点：表示不同功能区域。 - 对象节点：表示区域内的具体物体。 - 边缘关系：表示区域之间的连通性以及对象与区域之间的归属关系。 3. **分层推理机制** 导航过程通常分为两个阶段： - 高层策略网络：负责根据任务目标选择下一个目标区域。 - 底层策略网络：负责在选定的区域内寻找具体的物体目标，并生成低级动作指令。 ### 实现方法概述 #### 1. **场景感知与图构建** - 利用模拟器（如Matterport3D、AI2Thor）提供的深度、RGB图像及语义信息来检测物体并进行区域划分。 - 使用3D点云处理技术或语义分割模型（如Mask R-CNN）提取对象类别和位置信息。 - 构建图结构时，可以使用图神经网络（GNNs）或图注意力网络（GAT）来建模区域与对象之间的关系[^2]。 #### 2. **图神经网络的应用** - 图注意力网络（GAT）能够动态地学习区域与对象之间的依赖关系，适用于非规则连接的图结构。 - 图卷积网络（GCN）可用于聚合邻居节点的信息，增强图中节点的表示能力。 - 在训练过程中，图结构可以作为输入提供给策略网络，以辅助强化学习代理做出更合理的决策。 #### 3. **多层级策略网络设计** - 高层策略：基于当前区域的状态和任务目标，预测下一个要访问的区域。 - 底层策略：专注于在当前区域中识别目标对象，并控制机器人执行移动操作（如前向移动、旋转等）。 #### 4. **训练与评估** - 使用模仿学习（Imitation Learning）或深度强化学习（Deep RL）进行端到端训练。 - 常见奖励函数包括：接近目标的正奖励、碰撞惩罚、无效动作惩罚等。 - 评估指标包括成功率（SPL）、路径长度、与目标的距离等。 ### 示例代码框架（基于PyTorch与GNN） 以下是一个简化的图构建与推理流程示例： ```python import torch import torch.nn as nn from torch_geometric.data import Data from torch_geometric.nn import GATConv class HierarchicalGraphModel(nn.Module): def __init__(self, num_region_classes, num_object_classes): super(HierarchicalGraphModel, self).__init__() self.region_embedding = nn.Embedding(num_region_classes, 64) self.object_embedding = nn.Embedding(num_object_classes, 64) self.gat1 = GATConv(64, 128, heads=4) self.gat2 = GATConv(512, 128) def forward(self, data: Data): x_region = self.region_embedding(data.region_x) x_object = self.object_embedding(data.object_x) x = torch.cat([x_region, x_object], dim=0) edge_index = data.edge_index x = self.gat1(x, edge_index) x = torch.relu(x) x = self.gat2(x, edge_index) return x # 示例数据构建 data = Data() data.region_x = torch.tensor([0, 1, 2]) # 区域ID data.object_x = torch.tensor([3, 4, 5, 6]) # 对象ID data.edge_index = torch.tensor([ [0, 1, 2, 0, 1, 2], [3, 4, 5, 6, 3, 5] ]) # 区域与对象间的连接边 ``` --- ###
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