笔记
文章平均质量分 62
二苏旧局吖
Deepfake Detection
展开
-
论文阅读:Self-supervised Video Representation Learning with Cross-Stream Prototypical Contrasting
题目:Self-supervised Video Representation Learning with Cross-Stream Prototypical Contrasting作者:Martine Toering一、研究背景传统的自监督对比学习不适用于视频:实例级的对比学习取得了很大进展,但是由于操作是用于经过增强的实例集上的,所以并不适用于探索视频的丰富动态结构。视频本身提供的数据增强,如:视角变化,光线,形变,运动等,却没有被充分利用。传统对比学习忽视了实例间的语义相似性:在负样本对原创 2022-02-12 12:27:56 · 2090 阅读 · 0 评论 -
Learning Disentangled Representation Implicitly via Transformer for Occluded Person Re-Identificatio
题目:Learning Disentangled Representation Implicitly viaTransformer for Occluded Person Re-Identification作者:Mengxi Jia一、研究背景带有遮挡的行人图片会造成图片匹配时的误对齐。由于遮挡物类型众多且遮挡的位置不固定,会造成行人外观的巨大变化,带来类内匹配错误;与身体部位外观相似的遮挡物会使学到的特征不准确。目前主流的应对措施是用额外的语义提示或局部特征进行对齐,然而这些对齐方式对噪声敏感原创 2021-11-13 22:09:24 · 3532 阅读 · 0 评论 -
Cross-modality Person re-identification with Shared-Specific Feature Transfer
题目:Cross-modality Person re-identification with Shared-Specific Feature Transfer作者:Yan Lu一、研究动机现有的方法大多是将不同模态的特征映射到同一个特征空间,但是这种方法会降低特征的鉴别性。二、研究目标提出“跨模态共享-特有特征转换算法”(cm-SSFT),来探究模态共享信息和模态特定特征的识别潜力。(1)根据共享特征来建模不同模态样本之间的相似性。(2)在模态内和模态间传输共享特征以及特定特征。(3)提出原创 2021-07-07 16:05:05 · 406 阅读 · 0 评论 -
Attend to the Difference: Cross-Modality Person Re-identification via Contrastive Correlation
题目:Attend to the Difference: Cross-Modality Person Re-identification via Contrastive Correlation作者:Shizhou Zhang一、研究动机当人类比较两个相似的物体时通常会注意到其间的差异二、研究目标1.构建一种双路径跨模态特征学习网络2.保留固有空间结构的同时,关注跨模态输入图片对之间的差异三、技术方法1.Dual-path Spatial-structure-preserving Common原创 2021-06-25 21:31:37 · 297 阅读 · 0 评论 -
Neural Feature Search for RGB-Infrared Person Re-Identification
题目:Neural Feature Search for RGB-Infrared Person Re-Identification作者:Yehansen Chen一、研究动机1.无论特征合成还是特征共享,REID的关键都是找到足够的高质量鉴别性特征。2. 人工驱动:用partition stripes , human landmarks, parsing maps, and body contour sketches这几种手工方法设计出的模块不能很好适应类内类间模态变化3. 数据驱动:受神经结构原创 2021-06-12 22:08:20 · 759 阅读 · 4 评论 -
CausalVAE
题目:CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models(通过结构因果模型实现接纠缠表征学习)作者:Mengyue Yang一、研究动机1.目标概念往往是有因果关联的2.无监督过程不能保证习得的表征能被识别二、研究目标1.习得解纠缠表征2.实现do操作(干预)和反事实3.自动习得因果图三、技术方法1.通过VAE实现因果解纠缠(1)Transforming Indepe原创 2021-05-28 22:33:02 · 1272 阅读 · 0 评论 -
2021-05-15
题目:Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation作者:Subhankar Roy1,2, Evgeny Krivosheev1研究动机考虑到未标记数据的激增,仅仅适应单一目标域的需要,在现实场景中已经失去了吸引力。研究目标学习一个可以适应多种目标域的鲁棒的分类器技术方法 Curriculum Graph Co-Teaching (CGCT) Curriculu..原创 2021-05-15 00:13:56 · 391 阅读 · 3 评论 -
Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection
题目:Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection作者:Chenchen Zhu一、研究动机真实世界的数据往往服从long-tail分布,因此在进行目标检测时,新样本数据匮乏对性能影响极大。但是,无论数据的可用性如何,新类和基类之间的语义关系都是恒定不变的。二、研究目标提出了SRR-FSD(Semantic Relation Reasoning Few-Shot Detector ),.原创 2021-04-30 17:09:19 · 507 阅读 · 1 评论 -
Unsupervised Domain Adaptation with Noise Resistible Mutual-Training for Person Re-identification
题目:Unsupervised Domain Adaptation with Noise Resistible Mutual-Training for Person Re-identification作者:Fang Zhao一、研究背景无监督聚类产生的伪标签有噪声,会影响进一步自训练的效果。二、研究目标提出了Noise Resistible Mutual-Training (NRMT) method(可以抵抗噪音的相互训练方法),在自训练的基础上,进行聚类并分配伪标签,并优化两个问题,即如何聚类以原创 2021-04-23 20:31:53 · 590 阅读 · 6 评论 -
Probabilistic Embeddings for Cross-Modal Retrieval
题目:Probabilistic Embeddings for Cross-Modal Retrieval作者:Sanghyuk Chun不确定估计hedged instance embedding对比损失一、要解决的问题(研究动机)确定的函数不能很好地捕获一对多的对应关系。二、研究目标提出PCME(跨模态概率嵌入),将不同模态下的样本表示为同一嵌入空间下的概率分布。三、技术路线1、视觉-文本联合嵌入(1)视觉编码器fv输入图片i,得到经过GAP之前的输出:经过GAP,预测得原创 2021-04-17 13:04:19 · 1373 阅读 · 3 评论 -
CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION
个人学习记录,谨慎采纳learning to learn参考文献:https://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/解析题目:CROSS-DOMAIN FEW-SHOT CLASSIFICATION VIA LEARNED FEATURE-WISE TRANSFORMATION作者:Hung-Yu Tseng一、要解决的问题(研究动机):由于特征分布的差异,以往小样本分类模型在未见域上效果差。由于模拟不同域的特征分布变化非原创 2021-04-08 16:30:30 · 461 阅读 · 0 评论 -
Part-aware Attention Network for Person Re-Identification
题目:Part-aware Attention Network for Person Re-Identification作者:Wangmeng Xiang一、要解决的问题(研究动机):(1)“多层次特征聚合”方法回会忽略不同层次特征图之间的长程联系(2)基于特征提取的horizon pooling part会引起特征的误对齐二、研究目标(1)通过局部特征图与源特征图之间的一致性来计算注意力(2)将高层局部特征和中间层特征联系起来,通过高层局部特征的引导,从中间层特征图中进行二次信息的生成三、原创 2021-04-02 22:39:30 · 1684 阅读 · 6 评论 -
Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation
参考:论文解析KL散度:衡量两个分布的差异2范数:衡量两向量距离原创 2021-03-22 12:17:31 · 309 阅读 · 0 评论