论文
皮卡丘吃桃子
研究行人重识别的在读研究生
展开
-
Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification简单的阅读理解
Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification摘要} 提出了分层聚类与硬批三联点损失相结合的伪标签聚类方法,关键思想是通过层次聚类,充分利用目标数据集中样本间的相似性,通过硬批处理的三合点损失来降低硬例的影响,产生高质量的伪标签和dimprove模型性能} 具体来说:(1)使用层次聚类生成伪标签(2)在每次迭代中使用PK采样生成新的数据集进行训练(3)在每次迭代中进行硬批三个一组丢失的训原创 2020-09-27 16:54:58 · 601 阅读 · 0 评论 -
Real-world Person Re-Identification via Degradation Invariance Learning简单阅读整理
Real-world Person Re-Identification via Degradation Invariance Learning简单阅读整理原创 2020-09-27 16:52:34 · 513 阅读 · 0 评论 -
Style Normalization and Restitution for Generalizable Person Re-identification简单阅读整理
Style Normalization and Restitution for Generalizable Person Re-identification简单阅读整理原创 2020-09-27 16:50:48 · 439 阅读 · 0 评论 -
Smoothing Adversarial Domain Attack and p-Memory Reconsolidation for Cross-Domain简单阅读整理
Smoothing Adversarial Domain Attack and p-Memory Reconsolidation for Cross-Domain简单阅读整理原创 2020-09-27 16:49:00 · 360 阅读 · 0 评论 -
Relation-Aware Global Attention for Person Re-identification论文阅读整理
Relation-Aware Global Attention for Person Re-identification论文阅读整理AbstractIntroductionRelation-Aware Global AttentionFormulation and Main IdeaSpatial Relation-Aware Global AttentionAbstract这是2020年CVPR行人重识别领域的一篇文章,提出了一个有效的关系感知全局注意(RGA)模块,它捕获全局结构信息,以更好地进行注原创 2020-09-10 16:37:09 · 2718 阅读 · 0 评论 -
Online Joint Multi-Metric Adaptation from Frequent Sharing-Subset Mining阅读整理
Online Joint Multi-Metric Adaptation from Frequent Sharing-Subset Mining for Person Re-Identification是2020CVPR行人重识别领域的一篇文章。行人重识别作为一个实例级的一个识别问题,在计算机视觉领域仍然是一个具有挑战性的问题。许多P-RID的工作旨在从离线的训练数据中学习忠实的和有区别的特征或者指标,并直接将它们用于看不见的在线测试数据。然而,由于训练数据和测试数据之间存在严重的数据转换问题,它们的性能在原创 2020-09-08 14:13:19 · 470 阅读 · 1 评论 -
Inter-Task Association Critic for Cross-Resolution Person Re-Identification论文整理理解
Inter-Task Association Critic for Cross-Resolution Person Re-Identification论文整理理解Abstract原创 2020-09-05 14:58:12 · 567 阅读 · 0 评论 -
Learning to Adapt Invariance in Memory for Person Re-identification文章阅读解析及代码理解
我大学啊原创 2020-08-31 17:08:14 · 593 阅读 · 3 评论 -
Unsupervised Person Re-identification via Multi-label Classification简单整理
Unsupervised Person Re-identification via Multi-label Classification简单整理AbstractIntroductionAbstract无监督行人重识别(ReID)的挑战在于没有真实标签的情况下去学习鉴别特征。本文将无监督人员ReID描述为一个多标签分类任务,逐步寻找真实标签。该方法首先为每个人物图像分配一个单类标签,然后利用更新的ReID模型进行标签预测,进而发展为多标签分类。标签预测包括相似度计算和循环一致性,以保证预测标签的质量。为了原创 2020-08-05 10:54:32 · 570 阅读 · 0 评论 -
Unsupervised Person Re-identification via Softened Similarity Learning全文整理理解
Unsupervised Person Re-identification via Softened Similarity Learning全文整理理解AbstractIntroductionProposed MethodAbstract人的再识别(re-ID)是计算机视觉研究的一个重要课题。本文研究了reid的无监督设置,该设置不需要任何标记信息,可以自由部署到新的场景中。在这种设置下的研究很少,目前最好的方法之一是使用迭代聚类和分类,将未标记的图像聚类到伪类中进行分类器的训练,然后使用更新后的特征进原创 2020-08-01 22:07:31 · 2097 阅读 · 8 评论 -
ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks理解整理
ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks理解整理AbstractIntroductionProposed MethodRevisiting Channel Attention in SE BlockEfficient Channel Attention (ECA) ModuleAbstract近年来的一些研究,已有证明通道注意机制在改善深度卷积神经网络(CNNs)的性能方面有着很大的潜力,现有方原创 2020-07-30 13:26:24 · 3171 阅读 · 1 评论 -
计算机专业论文研究使用工具网站以及经验汇总
1.找论文SCI-HUB:http://www.sci-hub.ren/谷歌学术:https://scholar.google.com/(知乎回答:https://www.zhihu.com/question/39852481?sort=created)谷歌学术镜像:https://xueshu.lanfanshu.cn/或http://sci.xueshuwu.cn/#opennewwindowarxiv:https://arxiv.org/arxiv镜像:cn.arxiv.org或http:/原创 2020-07-28 16:09:40 · 1079 阅读 · 0 评论 -
Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification简单翻译理解
Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification简单翻译理解AbstractIntroductionRelated WorkThe Proposed MethodAbstract行人重识别(Re-ID)是一项具有挑战性的任务,由于身份样本和成像条件的高差异。尽管最近随着在深度学习方面的进步已经在固定场景中取得了显著的准确性,但是对于不可见的目标域,很少有作品能很好地推广。一种常用的解决方法是通过聚类原创 2020-07-27 16:27:08 · 294 阅读 · 0 评论 -
Spatial Transformer Networks翻译理解
Abstract空间转换器,允许在网络中对数据进行空间操作,这个可微模块可以插入到现有的卷积架构中,使得神经网络能够主动的在空间上转换特征图,条件是特征图本身,无需额外的训练监督或优化过程的修改,会使得模型学习到平移,缩放,旋转和更一般扭曲的不变性。Introduction能够对图像进行推理的系统的一个理想特性是从纹理和形状中分离出物体的姿态和部分变形。通过允许网络在一定程度上对特征的位置保持空间不变,在CNNs中引入的局部最大池层有助于满足这一特性。在CNN中之间的特征图实际上对输入数据的转换并不是原创 2020-07-03 16:03:45 · 553 阅读 · 0 评论