Batch Drop Block Network for Person Re-identification and Beyond阅读总结

最新推荐文章于 2021-02-09 12:27:13 发布
最新推荐文章于 2021-02-09 12:27:13 发布
阅读量526 收藏 1
点赞数
文章标签： 计算机视觉 深度学习 reid 数据增强 dropout
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/qq_35226955/article/details/104029743
版权

代码： BDBNet
主要提出了一种dropout的策略，和随机擦除(REA)很类似，REA在输入图像上操作，随机选一块抹为0，但对一个batch中的bs张图像各抹各的，区域不一定相同，且大小和长宽比也不一定一样，而BDB则是：1，对特征图进行随机擦除； 2，一个batch中的bs张图像的特征图都擦除相同位置。

几种dropout的对比：
在这里插入图片描述
SpatialDropout: arXiv
按照某一维度进行dropout。如果抹去，则该维度对应的所有channels都会被抹去。

参考博客： dropout和SpatialDropout的差别

这么做有什么好处：
作者用大量实验论证了：这样能帮助网络attention到遮挡的这一块，此外比dropout好的是这里是dropout一个连续的区域，模拟遮挡效果更好，更能遮挡图像中的某些语义parts。

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
cutout应该就是在特征图上做随机擦除。

在这里插入图片描述
GMP更关注行人，GAP更关注整体(滤噪)。

在这里插入图片描述

MindAndHand
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Omni-Scale Feature Learning for Person Re-Identification
11-27
《Omni-Scale特征学习在行人重识别中的...总的来说，"Omni-Scale Feature Learning for Person Re-Identification"的研究为我们提供了一种有效的策略，以处理行人图像的尺度变化，提高了行人重识别的准确性和实用性。
A robust deep convolutional neural network with batch-weighted loss for heartb
10-10
标题中的"A robust deep convolutional neural network with batch-weighted loss for heartbeat classification"指的是一种用于心跳分类的鲁棒深度卷积神经网络，它采用了一种批处理加权损失函数以应对心电图（ECG...
Batch DropBlock Network for Person Re-identification and Beyond
qq_38284961的博客
03-06 435
Batch DropBlock Network for Person Re-identification and Beyond 摘要 重识别问题的难点主要在于姿态的多变，随机遮挡等会降低模型的精度，本文提出了一个BDB的网络，主要有两个分支，一个是主分支是resnet50网络，另一个是drop分支。Drop分支主要是为了抽取局部关注点信息，随机的去除batch中输入featu...
【ReID】Batch DropBlock Network for Person Re-identification and Beyond
锥栗的博客
08-02 546
2019的ICCV，Batch DropBlock Network for Person Re-identification and Beyond，早期也叫做Batch Feature Erasing for Person Re-identification and Beyond（两个版本几乎一样），我以Batch DropBlock Network为准。文章[1]提出了Batch DropBlock (BDB) Network，该网络包含一个注意力特征学习模块batch dropblock，其在featu
论文阅读 Batch DropBlock Network for Person Re-identification and Beyond
qq_38284961的博客
11-01 2401
Batch DropBlock Network for Person Re-identification and Beyond 摘要 重识别问题的难点主要在于姿态的多变，随机遮挡等会降低模型的精度，本文提出了一个BDB的网络，主要有两个分支，一个是主分支是resnet50网络，另一个是drop分支。Drop分支主要是为了抽取局部关注点信息，随机的去除batch中输入featu...
论文Batch DropBlock Network for Person Re-identification and Beyond 全文翻译简单解读以及代码理解复现
qq_34124009的博客
05-26 2206
论文Batch DropBlock Network for Person Re-identification and Beyond 全文翻译简单解读以及代码理解复现博文概述全文翻译AbstractIntroductionRelated workBatch DropBlock (BDB) NetworkExperimentsDatasets and SettingsTrainingComparison with State-of-the-ArtAblation Studies图像检索实验数据集和设置Adapt
ICCV2019-行人重识别-Batch DropBlock Network for Person Re-identification and Beyond论文阅读
weixin_38208912的博客
02-24 694
动机： 依旧是一篇基于part-based的re-id论文，但与其他相比不同的是，这篇文章没有正面提取local 信息，而是从侧面通过结合随机mask有效信息强化对local特征的学习。 创新： Batch DropBlock，这个思路和Random Erasing如出一辙，只不过Random Erasing在图像层面，而Batch DropBlock在特征层面。既然原理相似，那只要把Rando...
Self-Guided-Network-for-Fast-Image-Denoising:ICCV 2019论文SGN的PyTorch实施
05-07
该演示来自SGN的ILSVRC2012验证集（mu = 0，sigma = 30，batchsize = 32、1000000次迭代）。 左：干净的图像（从COCO2014验证集中选择，COCO_val2014_000000264615.jpg） 中：加性高斯噪声+清晰图像 右
envi_batch_template.zip_ENVI-Functions_batch_envi_batch_template
09-24
标题中的"envi_batch_template.zip_ENVI-Functions_batch_envi_batch_template"暗示了这是一个与ENVI（Environment for Visualizing Images）软件相关的批处理模板，它主要用于利用ENVI的函数进行批量处理。...
Optimizing the echo state network based on mutual information for modeling fed-batch bioprocesses
02-08
Optimizing the echo state network based on mutual information for modeling fed-batch bioprocesses
Person Transfer GAN to Bridge Domain Gap for Person Re-Identification论文代码
06-25
这是CVPR2018论文Person Transfer GAN to Bridge Domain Gap for Person Re-Identification的代码，是用python书写的，内含模型，主要模块，实验结果等。
【论文阅读】Batch DropBlock Network for Person Re-identification and Beyond
weixin_43169773的博客
09-02 181
论文地址 论文代码 论文翻译以及介绍 别的博客 关注人体的局部信息 框架：全局和局部的特征结合在一起 全局特征：提供了全局特征表示，对特征擦除分支进行监督 局部特征：特征擦除，GMP获得2048维向量-1024维 （drop 的区域也可以渐进式的丢弃） 批处理DropBlock层将随机丢弃张量T的相同区域 ###### feature dropping branch 用 BatchDropBlock Layer 在 feature map T 执行，得到 batch erased feature map
code学习 - batch-dropblock-network+attention
weixin_43169773的博客
09-04 327
conda activate pytorch1.3 进入数据集所在位置 python 数据集所在位置 遇到问题: 程序运行没有报错，但是也无法获得结果。 程序调试方法 1.‘print’ 语句 这是一个基本的调试问题的方法。 我们在程序中怀疑的地方插入print语句来了解程序的运行流程控制流和变量值的改变。 这是一个最简单的技术， 它的缺点。 需要进行程序编辑，添加’print’语句，必须重新编译，重新运行来获得输出。若需要调试的程序比较大，这将是一个耗时费力的方法。 1*1卷积(基于升维降维的设计)
【论文阅读】Batch Feature Erasing for Person Re-identification and Beyond
diejingbu1567的博客
12-31 353
转载请注明出处：https://www.cnblogs.com/White-xzx/ 原文地址：https://arxiv.org/abs/1811.07130 如有不准确或错误的地方，欢迎交流~ 【作者的motivation】 　　https://zhuanlan.zhihu.com/p/53241545 　　当前的行人重识别方法，如PCB, MGN，为了使网络学习到更...
hbase_batch_drop_table
10-08 569
hbase_batch_drop_table.sh #!/bin/bash ################################################################################################################### ## 脚本功能：批量删除HBase中的表 ## 修改历史： #
Diversity-Achieving Slow-DropBlock Network for Person Re-Identification论文阅读
qq_36167072的博客
02-22 592
Paper：https://arxiv.org/abs/2002.04414 Code： 摘要：使用多分支网络架构进行行人重识别（Re-ID）的挑战是如何从标记ID的数据集中学习不同的特征。最近两个分支的BatchDropBlock（BDB）网络被提出，可以实现全局分支和特征丢弃分支之间的多样性。在这篇文章中，我们提出将丢弃操作从中间特征层移倒输入层（图片丢弃）。由于这可能会丢失大量输...
DropBlock: 卷积层的正则化方法及复现代码
个人学习笔记
02-09 2914
论文：https://arxiv.org/pdf/1810.12890.pdf 1、什么是Dropout？ 我相信各位一定了解过Dropout，所谓Dropout就是提高神经网络泛化性一种方法，可以有效减轻过拟合。为什么它有效呢？从下图分析： 一个标准的神经网络如图(a)所示，由于训练数据（假设为人脸数据）的局限性，使得神经网络很依赖于某一个神经元，而其他神经元相当于没有起作用，网络每次都只通过眼睛来判断是不是个人。如果此时直接拿一个全新的测试数据集让这个网络进行识别，很可能因为图片中眼睛被遮挡而得出错误
正则化方法之DropBlock
热门推荐
年轻即出发，
12-19 2万+
论文： DropBlock: A regularization method for convolutional networks  Github： https://github.com/miguelvr/dropblock https://github.com/DHZS/tf-dropblock   论文主要提出了一种针对卷积层的正则化方法DropBlock，最终在ImageNet分...
--batch--random-agent--risk 3 --level 5
最新发布
06-13
在强化学习中，"batch", "random-agent", 和 "risk" 这三个概念通常是在描述一种学习策略和决策环境的特性。 1. **Batch（批量）**：在强化学习中，"batch" 可能是指在一个训练周期内收集多个样本或多个环境交互数据后进行一次模型更新的方式。这与“online”（在线学习，即每一步都立即反馈并更新模型）相对。批量学习可以帮助模型更好地利用数据，但可能反应较慢。 2. **Random-Agent（随机代理）**：这是一个指代在策略选择上完全随机的智能体，它不依赖于先前的观察或奖励。随机代理通常用来作为基本的对照组，或者在学习初期探索环境中。 3. **Risk Level 5**：这里的风险等级（Risk Level）通常指的是决策系统面对不确定性和潜在损失的程度。风险等级为5可能意味着很高的风险，智能体可能会倾向于探索、追求高回报，但也可能导致更大的失败概率。 结合这些概念，我们可以理解为这是一种强化学习策略，它使用批量数据进行训练，且智能体（agent）采取的是高风险的随机行为。这种策略可能适用于那些需要快速探索大量可能性但面临高度不确定性的复杂环境。
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