【论文阅读】行人重识别（Person Re-identifition）——Batch Feature Erasing for Person Re-identification and Beyond

最新推荐文章于 2022-11-25 18:17:53 发布
VIP文章 最新推荐文章于 2022-11-25 18:17:53 发布
阅读量1.1k 收藏 3
点赞数 2
分类专栏： 论文阅读 文章标签： 行人重识别 行人再识别
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_40605139/article/details/95724577
版权

《Batch Feature Erasing for Person Re-identification and Beyond》

原文

论文链接: https://arxiv.org/abs/1811.07130

代码链接: https://github.com/daizuozhuo/batch-feature-erasing-network

1. 解决的问题

行人重识别目前所用的方法，如PCB、MGN等，为了使网络学到更精细有区分度的特征，多数是将最后得到的Feature map 进行水平切分后分别求Loss,但是简单做水平切分可能会造成一块完整的Feature失去信息，比如背包等。所以多数研究者都做了相应的改进，所以PCB之后加上了RPP把没有切分好的feature重新划分，需要进行两阶段的训练。而MGN的则是用了一个比较复杂包含多种切分的方法的网路，切两次，切三次，最后把这些feature融合起来。

切分feature map的本质是什么？ 本质上就是为了不让网络太关注于那些太显而易见的全局特征。因为行人重识别是一个zero shot learning的问题，就是说训练中的人和测试中的人是不同的人，而且主流的行人数据集都较小，容易过拟合, 导致这些在训练的时候表现很好的全局特征在测试的时候反而达不到最好的效果。那么除了这样水平切分特征

最低0.47元/天 解锁文章
**七秒记忆**
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python-PCBofpaper行人重识别
08-11
来自清华大学，文章贡献在于无需使用格外的处理，例如姿态估计、ROI区域的检测等等，简单方便。针对因检测到的行人图像存在遮挡、不完整、分辨率低等问题而导致重识别精度差，本文提出了如下解决思路：1. 通过基模型的特征提取部分，来提取行人图像的特征图，将特征图水平切成六部分，每部分单独全局平均池化（GAP），再利用1*1的卷积核降维，分别输入到对应的全连接层进行预测。
BFENet：Batch Feature Erasing for Person Re-identification and Beyond（网络阅读笔记）
weixin_40671425的博客
06-29 4164
论文连接：《Batch Feature Erasing for Person Re-identification and Beyond》 代码链接：https://github.com/daizuozhuo/batch-feature-erasing-network 摘要 本文提出了一种新的训练机制——批特征擦除(BFE)，用于行人再识别。应用该策略，以ResNet-50为ba...
【论文阅读】Batch Feature Erasing for Person Re-identification and Beyond
diejingbu1567的博客
12-31 338
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...
Triplet-Loss原理及其实现、应用
weixin_44493841的博客
07-04 1649
本文转自：https://blog.csdn.net/u013082989/article/details/83537370 一、 Triplet loss1 1、介绍 　 Triplet loss最初是在 FaceNet: A Unified Embedding for Face Recognition and Clustering 论文中提出的，可以学到较好的人脸的embedding 为什么不...
TripletLoss、HardTripletLoss笔记
jjj的博客
03-30 1885
一、triplet loss
CVPR 2022 人员重识别方向 论文推荐 ~ 总计9篇，无监督、防换装、抗遮挡！
我爱计算机视觉
05-01 2767
关注公众号，发现CV技术之美作为视频监控领域的核心技术，ReID 目前正向着无监督学习、抗遮挡、防换装、大规模预训练、训练样本生成等方向发展。✔ 基于部分的伪标签提精，用于无监督人员重识别Part-based Pseudo Label Refinement for Unsupervised Person Re-identificationhttps://arxiv.org...
Multi-Similarity Loss & Hard Triplet loss（附代码pytorch）
Mr_DaYang的博客
06-17 2620
MS-Loss包含两部分，前一部分是Positive Part, 后一部分是Negative Part i) Positive Part(只考虑与Anchor同类样本间的关系，与anchor相似度越小，惩罚力度越大) 图中0.7，0.4表示余弦相似度，值越大，则表示两者的特征越相似 补充：余弦距离与欧式距离它们近似反比关系，因此图中，0.4的红线明明很长(欧式距离)，但是值（余弦距离）很低。 x1 = Anchor, x2,x3 = positives，通过门限λ，将同类样本分成2parts，与x1相似程
CVPR2022 ReID方向接收论文
sdsfddfw的博客
05-31 2656
CVPR2022 person re-identification 跨模态 1、Learning Memory-Augmented Unidirectional Metrics for Cross-modality Person Re-identification 2、FMCNet: Feature-Level Modality Compensation for Visible-Infrared Person Re-Identification 3、Learning Modal-Invariant and
行人重识别ReID相关知识点（PCB、BoT、MGN）
09-23 2315
参考链接：Re：从零开始的行人重识别（五）行人重识别之PCB(ECCV2018)RPP结构图：目标检测、语义分割、深度估计、超分辨率、3D目标检测、CNN、GAN、目标跟踪、竞赛解决方案、人脸识别、数据增广、人脸检测、数据集、NAS、AutoML、图像分割、SLAM、实例分割、人体姿态估计、视频目标分割、Re-ID、医学图像分割、显著性目标检测、自动驾驶、人群密度估计、PyTorch、人脸、车道线检测、去雾 、全景分割、行人检测、文本检测、OCR、6D姿态估计、 边缘检测、场景文本检测.经过一个backbo
【ReID】Bag of Tricks and A Strong Baseline for Deep Person Re-identification
锥栗的博客
05-05 1241
2019 CVPR，Bag of Tricks and A Strong Baseline for Deep Person Re-identification[1]。文章通过集合所有过往文献中使用过的行之有效的技巧（tricks），来使得基础backbone的ResNet50来达到新的SOTA，本身也是一个strong baseline。 痛点 文章解决的痛点有： 1）很多的文献提出的SOTA设计......
【实验记录】行人重识别-ResNet50|DenseNet121|PCB
ca1m4n的博客
11-25 2452
Market中的类别数是751，原来使用的ImageNet的类别数是1000.跑完之后，在pytorch的每个子文件夹中，图像都是按ID来排列的。
云从的多粒度网络（MGN）的结构设计与技术实现-ReID行人重识别
期待黎明的博客
02-29 3563
云从的多粒度网络（MGN）的结构设计与技术实现-ReID 1.摘要 全局特征和局部特征的结合是提高人的再识别（re-ID）任务识别性能的一种有效方法。以前的基于部分的方法主要集中在定位具有特定预定义语义的区域来学习局部表示，这增加了学习的难度，但对具有较大方差的场景却没有效率或鲁棒性。本文提出了一种融合不同粒度判别信息的端到端特征学习策略。我们仔细设计了多粒度网络（MGN），这是一个多分支的深层网...
行人重识别论文阅读（2021.7.3-7.11）
dbdxwyl的博客
07-11 1391
1. Luo H, Jiang W, Gu Y, et al. A strong baseline and batch normalization neck for deep person re-identification[J]. IEEE Transactions on Multimedia, 2019, 22(10): 2597-2609.（罗浩） 1906.08332.pdf (arxiv.org) https://github.com/michuanhaohao/reid-strong-ba
Batch DropBlock Network for Person Re-identification and Beyond
qq_38284961的博客
03-06 424
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
08-02 532
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
python行人检测_简单行人重识别代码到88%准确率
weixin_39895881的博客
11-28 1227
代码地址：layumi/Person_reID_baseline_pytorch训练按照pytorch的transfer learning tutorial 改写的，一共就四个步骤：准备数据, 训练, 提特征, 评估结果 对应于github上四个文件 prepare.py/train.py/test.py/evaluate.py 大家看起来也比较清爽。What's New：大家可以使用 --PCB...
行人重识别 PCB-RPP，SGGNN
SIGAI_CSDN的博客
10-08 7177
SIGAI特约作者 Fisher Yu CV在读博士 研究方向：情感计算 其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 什么是行人重识别(ReID) 如下图，给定一个行人图或行人视频作为查询query，在大规模底库中找出与其最相近的同一ID的行人图...
行人重识别（deep-person-reid）环境搭建及模型训练，模型测试、特征显示
YOULANSHENGMENG的博客
09-26 2728
行人重识别（Person Re-identification也称行人再识别，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术；或者说，行人重识别是指在已有的可能来源与非重叠摄像机视域的视频序列中识别出目标行人。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失效的情况下，ReID就成为了一个非常重要的替代品技术。
论文笔记16 --（ReID）Batch Feature Erasing for Person Re-identification and Beyond
对角巷
03-19 820
《Batch Feature Erasing for Person Re-identification and Beyond》 论文：https://arxiv.org/abs/1811.07130 GitHub：https://github.com/daizuozhuo/batch-feature-erasing-network 类似mgn的切分，而且这篇是站在mgn之上看切分问题的。文章号称...
基於transformer的reid
最新发布
03-26
transformer在自然语言处理任务中取得了显著的成果，但在视觉任务中的应用较少。最近，有一些基于transformer的行人重识别(reid)方法被提出。 传统的行人重识别方法通常是在卷积神经网络(CNN)的特征提取器和分类器之间使用降维算法(如PCA或LDA)来构建特征向量，并将它们输入到分类器中。这种方法的局限是在处理变长序列的输入时存在困难：因为对于不同行人，可能需要提取不同数量的图像帧。 基于transformer的reid方法通过建立一个序列到序列的模型来处理变长序列的输入。这些方法通常采用自注意力机制(self-attention mechanism)，这意味着模型可以自动地学习输入序列中每个元素之间的关系，并将其编码为一个固定长度的向量。这个向量可以在之后的分类器中使用。 其中一种基于transformer的reid方法是MGN (Multi-Granularity Network)，它使用了多个并行的transformer模块，以提取多个不同尺度的特征。这些特征随后被连接并输入到分类器中。 另一个基于transformer的reid方法是DG-Net (Disentangled Graph Convolutional Network)，它使用transformer作为局部区域的特征提取器，并利用图卷积网络对这些特征进行汇聚和整合。 总体而言，基于transformer的reid方法为处理变长序列的输入提供了一个新的解决方案，并可望在行人重识别等视觉任务中取得更好的表现。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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