行人重识别
文章平均质量分 91
star_function
这个作者很懒,什么都没留下…
展开
-
论文阅读 之 High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection
本篇论文是发表在 CVPR_2019 上的一篇工作,提出了一个关于行人检测的新思路。论文链接:https://openaccess.thecvf.com/content_CVPR_2019/papers/Liu_High-Level_Semantic_Feature_Detection_A_New_Perspective_for_Pedestrian_Detection_CVPR_2019_paper.pdf代码链接:https://github.com/liuwei16/CSP1. 动机现有的原创 2022-03-21 00:11:46 · 3228 阅读 · 0 评论 -
论文阅读 之 Omni-Scale Feature Learning for Person Re-Identification
1. 相关链接论文链接:Omni Scale_Feature_Learning_for_Person_Re-Identification_ICCV_2019_paper.pdf代码链接: https://github.com/KaiyangZhou/deep-person-reid2. 论文研究角度行人重识别 (person re-ID) 主要面临两个挑战,如下图所示。首先,由于相机视角的变化,类内(实例/身份)的变化通常很大。 例如,图中的两个人 (a) 和 (b) 都携带背包; 摄像机视角的原创 2022-03-07 22:20:31 · 3864 阅读 · 0 评论 -
论文阅读 之 Revisiting Temporal Modeling for Video-based Person ReID
1. 论文研究的主要问题一个典型的视频行人重识别系统通常包括三个部分:特征提取器,时域建模方法和损失函数。其中特征提取器用来采集图片级别的特征,时域建模方法用来融合时间特征。基于视频的行人重识别方法和基于图片的行人重识别方法最大的区别在于时域信息,视频具有图片所没有的时域信息。目前有很多文章提出了时域建模的方法,那么什么样的时域建模方法是最有效的呢?这就是论文研究的主要问题。下面给出文章及其代码实现的链接:论文链接代码链接作者对论文的解读2. 主要工作文章的主要贡献如下:回顾并比较用于视原创 2022-02-18 23:35:01 · 746 阅读 · 0 评论 -
论文阅读 之 Person Re-identification in the Wild
这里写自定义目录标题1. 文章主要贡献2. 实验3. 讨论4. 方法1. 文章主要贡献提出了一个大规模数据集提出了原始视频帧中端到端行人检测和识别的 baseline解决了三个问题:不同检测器和识别器融合的表现、行人检测器提高整个行人重识别任务的机制、评估不同检测器对于行人重识别任务的有效性。三个独立贡献:新的数据集和在新数据集上的benchmark、展示行人检测通过简单但有效的提升措施:级联微调训练策略,新的相似度度量,在特定场景下提升行人检测器表现的一些观点。评注:新的任务需要新的数据集,行原创 2022-02-08 00:03:51 · 2767 阅读 · 0 评论 -
论文阅读 之 Person Search by Multi-Scale Matching
1. 论文研究的主要问题文章认为多尺度匹配问题是行人搜索任务中的重要挑战。行人检索不同于行人重识别,行人检索是在一个没有限制的场景下检索行人,考虑到自动检索行人的需求,行人的检测框可能是包含错误结果和未知程度的误对齐的剪裁结果,这个行人重识别的匹配带来了更大的挑战。自动检测到的行人边界框尺度变化(分辨率)往往比行人重识别的边界框变化要大,如图 b 所示。尺度变化主要是由于摄像头和行人之间的不可控制的距离产生的,其本质问题是多尺度匹配问题。2. 主要工作为了解决多尺度匹配问题,提出了 Cross-L原创 2022-02-06 00:52:06 · 598 阅读 · 1 评论 -
论文阅读 之 TCTS: A Task-Consistent Two-stage Framework for Person Search
1. 研究的主要问题2. 主要工作3. 实验原创 2022-02-02 23:52:23 · 2906 阅读 · 1 评论 -
论文阅读 之 Joint Detection and Identification Feature Learning for Person Search
论文链接:CVPR_2017 论文代码链接:Github链接提出的数据集:CUHK-SYSY原始论文题目:End-to-End Deep Learning for Person Search1. 研究的主要问题行人检索问题:在真实场景中,从整个场景图片中搜索特定的没有行人检测边界框的人。在一个卷积神经网络中实现同时处理行人检测和行人重识别,而不是分成行人检测和行人重识别两个子任务进行行人检索。下图给出了行人重识别和行人搜索任务的区别:2. 主要工作提出联合行人检测和行人重识别的行人搜索框原创 2022-01-29 23:54:35 · 1876 阅读 · 2 评论 -
论文阅读之 Anchor-Free Person Search
1. 研究的主要问题Person Search 可以被看作行人检测和行人重识别相统一的任务,在真实的、未经剪切的图片中同时定位和识别待检索的行人。现有的 Person Search 方面的工作都是基于 two-stage 的检测器(Faster R-CNN),这种方法的精度很高但计算量很大。两阶段的行人检测器是 Anchor-Based 的,也就是说现有的行人搜索框架是 Anchor-Based 的,文章研究的是 Anchor-Free 的行人搜索问题,尝试提出一种基于Anchor-Free检测器的行原创 2022-01-27 23:19:15 · 2494 阅读 · 0 评论 -
Person_reID_baseline_pytorch 源码解析之 evaluate_gpu.py
evaluate_gpu.py 通过比对图片特征,将图片按照相似度排序,计算 mAP 和 Rank 等评估指标。2.1 评估指标计算 Cosine DistanceCosine Distance 也称为余弦相似度,用夹角余弦来度量两个向量方向上的差异。两个向量之间的夹角余弦越小,向量间的方向就越一致。当夹角为零时,两个向量同向。相比欧式距离,余弦相似度更注重方向上的差异而不是距离。余弦相似度在高维的情况下依然保持“相同时为1,正交时为0,相反时为-1”的性质。欧式距离体现数值上的绝对差异,而余弦原创 2022-01-12 00:47:25 · 1341 阅读 · 0 评论 -
Person_reID_baseline_pytorch 源码解析之 test.py
extract_feature 是 test.py 中比较重要的一个函数,逐行解析def extract_feature(model,dataloaders): features = torch.FloatTensor() count = 0 # 加载数据集 for data in dataloaders: img, label = data n, c, h, w = img.size() count += n原创 2022-01-06 11:54:16 · 1710 阅读 · 0 评论 -
Person_reID_baseline_pytorch 源码解析之 model.py
源码解析之模型搭建Resnet 网络模型Resnet 网络结构图PCB 网络模型脚本 model.py 完成了多种网络模型的搭建,本文将主要介绍 Resnet 和 PCB 网络模型的实现。Resnet 网络模型Resnet 网络结构图查看网络结构from torchvision import modelsmodel = models.resnet50(pretrained=True)print(model)Resnet 50 的网络结构如下:ResNet( (conv1): Conv原创 2022-01-03 21:32:59 · 1136 阅读 · 0 评论 -
Person_reID_baseline_pytorch 源码解析之 train.py
源码解析之模型训练1. 载入数据集1.1 数据集张量化1.2 数据集迭代器2. 开始训练2.1 训练代码2.2 模型加载3. 结果保存3.1 模型保存和加载3.2 loss 曲线绘制参考文献脚本 train.py 是用来训练模型的脚本,训练模型首先需要载入数据集,然后开始训练过程,训练完成后可以根据训练结果绘制 loss 曲线图,并保存训练好的模型参数。本文将按照训练模型的流程,分别解析对应步骤的代码。1. 载入数据集通过执行数据处理脚本 prepare.py ,我们已经将数据集组织成了 datase原创 2021-11-23 20:42:02 · 2032 阅读 · 1 评论 -
行人重识别数据集之 DukeMTMC-reID 数据集
DukeMTMC-reID 数据集原创 2021-11-23 12:40:36 · 9918 阅读 · 7 评论 -
行人重识别数据集之 CUHK03 数据集
Market 1501 + CUHK03 + DukeMTMC-reID1. Market1501 数据集1.1 数据集结构1.2 数据集命名1. Market1501 数据集2015年,论文 Person Re-Identification Meets Image Search 首次提出了 Market 1501 数据集,现在 Market 1501 数据集已经成为行人重识别领域最常用的数据集之一。Market 1501 的行人图片来自清华大学校园的 6 个摄像头,一共标注了 1501 个行人。其原创 2021-11-22 22:41:16 · 8998 阅读 · 4 评论 -
行人重识别数据集之 Market1501 数据集
Market1501 数据集一、 数据集结构二、 数据集命名2015年,论文 Person Re-Identification Meets Image Search 提出了 Market 1501 数据集,现在 Market 1501 数据集已经成为行人重识别领域最常用的数据集之一。百度云下载链接Market-1501-v15.09.15.zipMarket 1501 的行人图片采集自清华大学校园的 6 个摄像头,一共标注了 1501 个行人。其中,751 个行人标注用于训练集,750 个行人标原创 2021-11-22 14:07:35 · 15048 阅读 · 0 评论 -
Person_reID_baseline_pytorch 源码解析之 prepare.py
for root, dirs, files in os.walk(query_path, topdown=True): for name in files: if not name[-3:]=='jpg': continue ID = name.split('_') src_path = query_path + '/' + name dst_path = query_save_path + '/' + ID[原创 2021-11-21 17:00:40 · 1953 阅读 · 11 评论 -
Person_reID_baseline_pytorch 源码解析之绪论
源码解析Person_reID_baseline_pytorch 是行人重识别领域强大的 baseline,基于 pytorch 框架实现,本文尝试对其源码进行解析,方便对行人重识别感兴趣的小伙伴快速了解这个 strong baseline。baseline 的源码链接在 Github 上的 Person_reID_baseline_pytorch 。baseline 主要包括如下几个脚本prepare.py 负责数据集的重构model.py 负责网络模型的构建train.py 负责网络模型的训原创 2021-11-21 13:22:17 · 1287 阅读 · 0 评论 -
论文阅读之 Person Re-identification using Heterogeneous Local Graph Attention Networks
Heterogeneous Local Graph Attention Networks1. 摘要2. 主要贡献3. 提出的模型3.1 关系的定义3.2 模型结构4.实验4.1 消融实验4.2 参数分析1. 摘要现状:最近,一些研究者通过研究行人图片各部分的局部关系来研究行人重识别。然而,现在的研究仅研究了单张行人图片中的各部分的内在局部关系,而忽略了不同图片各部分相互对应的局部关系。这是不完整的局部关系信息。解决办法: 提出了 异构局部图注意网络 (HLGAT) 。在完整的局部图中,同时建模图片内原创 2021-10-28 22:04:29 · 686 阅读 · 0 评论 -
论文阅读之 Improving person re-identification by attribute and identity learning
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言 一、pandas是什么? 二、使用步骤 1.引入库 2.读入数据 总结前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考1. 摘要提出问题:行人重识别和属性识别任务都需要学习**行人描述**,不同之处在描述**...原创 2021-06-12 14:16:44 · 773 阅读 · 1 评论 -
论文阅读之 Deep Transfer Learning for Person Re-identification
Deep Transfer Learning for Person Re-identification1. 摘要2. 结论3. 深度Re-ID模型3.1 概述1. 摘要针对的问题: 行人重识别的数据集规模较小而且存在没有标注的情况,那么如何在这样的数据上训练具有数百万参数的深度模型呢?解决思路: 文章提出了一些深度迁移学习模型来解决数据稀疏性问题。具体实现: 首先,设计了一种不同于现有深度Re-ID模型的深度网络架构(a)更适合迁移从大型图像分类数据集中学习到的特征,(b)分类损失和验证损失相结合,原创 2021-05-20 10:52:50 · 350 阅读 · 1 评论 -
行人重识别基础(一)
行人重识别基础为什么要研究Re-ID什么是Re-IDRe-ID系统Re-ID系统的构成如何构建Re-ID系统如何评估Re-ID系统常用数据集评估指标参考文献为什么要研究Re-ID行人重识别(Re-ID)旨在通过多个不重叠的摄像机检索感兴趣的人员。 近年来,人们对于公共安全的需求不断增强,同时,日常生活中也出现了越来越多的监控摄像头。但是监控摄像头中的海量数据往往难以得到有效且及时的处理。因此使用Re-ID技术对于实现智能监控系统至关重要。研究Re-ID具有重大的价值和实际意义。什么是Re-IDRe-原创 2021-04-02 10:10:04 · 1619 阅读 · 0 评论