1 20201103 CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition
是一片人脸识别的论文,主要研究内容是在训练过程的不同阶段,如何给不同难易程度的样本进行加权学习,是将课程学习的思想嵌入到损失函数中,以实现一种新的深度人脸识别训练策略。该策略主要针对早期训练阶段的易样本和后期训练阶段的难样本,使其在不同的训练阶段,通过一个课程表自适应地调整简单和困难样本的相对重要性。也就是说,在每个阶段,不同的样本根据其相应的困难程度被赋予不同的重要性。
Curriculum Learning即课程学习,它是由Montreal大学的Bengio教授团队在2009年的ICML上提出的,其主要思想是模仿人类学习的特点,按照从简单到困难的程度来学习课程,这样容易使模型找到更好的局部最优,同时加快训练速度。其实就是自步学习
2 20201103 Learning Meta Face Recognition in Unseen Domains
MFR使用一个元优化目标针对源/目标域的偏移量,这需要模型不仅可以很好的表征源域,而且还很好地表征目标域。具体而言,通过跨域采样策略构建多域组合的批次,并通过优化多域分布在源/目标域上获得反向传播的梯度/元梯度。将梯度和元梯度进一步结合以更新模型以提高泛化性。
3.20201107 CC-LOSS: CHANNEL CORRELATION LOSS FOR IMAGE CLASSIFICATION
在backbone后增加了特征图的权重项,不同的类别,对于特征的喜好程度不同,依次设计了损失函数。
4 Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification (MMT)
讲解链接:https://zhuanlan.zhihu.com/p/116074945
代码地址: https://link.zhihu.com/?target=https%3A//github.com/yxgeee/MMT
5 Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID (SPCL )
讲解地址:https://zhuanlan.zhihu.com/p/269112325
代码地址:https://github.com/yxgeee/SpCL
6. Bag of Tricks and A Strong Baseline for Deep Person Re-identification 介绍各种trick的论文
讲解链接:https://www.zhihu.com/search?type=content&q=strong%20reid
代码:https://github.com/michuanhaohao/reid-strong-baseline
7 Joint Discriminative and Generative Learning for Person Re-identification
讲解链接:https://zhuanlan.zhihu.com/p/66408913
代码地址:https://github.com/NVlabs/DG-Net
8.Interpretable and Accurate Fine-grained Recognition via Region Grouping
细粒度图像分类,将注意力集中在头发等需要区分的地方
代码地址:https://github.com/zxhuang1698/interpretability-by-parts
9 Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification CVPR 2019 (ECN )
讲解地址:https://zhuanlan.zhihu.com/p/68330237
代码地址:https://github.com/zhunzhong07/ECN
10 ArcFace: Additive Angular Margin Loss for Deep Face Recognition
加性角度间隔损失函数),对特征向量和权重归一化,对θ加上角度间隔m,角度间隔比余弦间隔在对角度的影响更加直接。几何上有恒定的线性角度margen。
讲解链接:https://zhuanlan.zhihu.com/p/76541084
代码实现地址:https://github.com/ronghuaiyang/arcface-pytorch
11。Compositional Convolutional Neural Networks: A Deep Architecture with Innate Robustness to Partial Occlusion
遮挡问题下的图像分类问题,作者是Alan Yuille,是一位名副其实的大佬,将待识别的图像上的遮挡物体能够识别出来,标注起来。
代码地址为:https://github.com/AdamKortylewski/CompositionalNets
12 reid行人重识别的一个很好的入门示例代码:https://github.com/layumi/Person_reID_baseline_pytorch
13 Generalizing Person Re-Identi cation by Camera-Aware Invariance Learning and Cross-Domain Mixup
代码地址:https://github.com/LuckyDC/generalizing-reid
本地资源:D:\长期保存文件\文献收集\论文收集\图像分类\reid\2020年的文章\Generalizing Person Re-Identification by Camera-Aware Invariance Learning and Cross-Domain Mixup.pdf
代码:D:\长期保存文件\文献收集\论文收集\图像分类\reid\2020年的文章\Generalizing Person Re-Identification by Camera-Aware Invariance Learning and Cross-Domain Mixup\generalizing-reid-master.zip
是一个跨域的行人重识别论文,2020年的ECCV(1)将目标域上的图片按照不同的相机进行softmax的计算,(2)将目标域和源域上的图片进行mix up,然后送入网络进行训练。
14 Multiple Expert Brainstorming for Domain Adaptive Person Re-identification
ECCV2020的文章,利用多个模型进行互学习,和MMT有点相似,文章中使用了很多损失函数,文章有源代码:https://github.com/YunpengZhai/MEB-Net
15 Global Distance-distributions Separation for Unsupervised Person Re-identification
CCV202的文章,将target中的正样本对与负样本对之间的距离分布,看作为高斯分布。通过拉开两个分布之间的平均值的大小,还有三个标准差之间的软间隔,从全局的角度,使得目标域上的特征距离被拉大了。
16 Deep Credible Metric Learning for Unsupervised Domain Adaptation Person Re-identi cation
ECCV2020的文章,文章致力于生成更准确的标签,方法是随着训练的进行,逐渐增多伪标签的数量;还提出了一种损失,就是让每一个目标域中的样本特征都能和其他的样本产生距离。
17 Unsupervised Domain Adaptation with Noise Resistible Mutual-Training for Person Re-identification
eccv2020的文章,使用两个网络相互学习,来解决伪标签可能出现错误的情况。在网络选择可信赖的伪标签进行训练的时候,采用了两个策略,先是选择准确性高但是含有的信息量少的数据进行训练,后一阶段选择信息量高的数据进行更新网络。
开始阶段使用的数据的准则
第二阶段用于更新网络的数据
18 20201204 An Attention-driven Two-stage Clustering Method for Unsupervised Person Re-Identi cation
ECCV2020的文章,提了两点,(1)在给目标域进行伪标签分配的时候,采用了两步法,先是使用kmeans++形成几个类中心,接下来再用k 相互近邻进行进一步的挑选;(2)提出了注意力模块,将图片中的行人部分和背景部分区分开。这篇文章中有几份参考文献是关于如何将特征提取为前景特征和背景特征的。下面的图是一个关键部分,是如何进行注意力机制的,是提取前景行人的特征。
19 Robust Re-Identification by Multiple Views Knowledge Distillation
eccv2020的文章,是Image to video的重识别问题。
20 Rethinking the Distribution Gap of Person Re-identification with Camera-based Batch Normalization
eccv2020的文章,以摄像头为研究对象,将不同摄像头的数据分布,都标准化为相同的分布
21 Joint Visual and Temporal Consistency forUnsupervised Domain Adaptive PersonRe-Identification
eccv2020的文章,解决伪标签不准确的问题,解决的方式是在聚类的时候,不只是使用视觉信息,还使用了时间信息,将图片的摄像头和时间序列作为一个判定的依据。
损失函数如下图所示:
损失中的有监督是正常的损失,无监督使用了两个损失,分别是局部损失:mini batch内假设所有的样本具有不同的id;全局损失:将每幅图片的特征都存储在memory bank中,但是这个特征取得很有意思,不是一张图片的特征,而是这一张图片的多个数据增强结果的特征的平局值,这个增强的图片是指使用cyclegan产生的不同摄像头下的图片。
这里的k 小于摄像头的数量。
22 Making Better Mistakes: Leveraging Class Hierarchies with Deep Networks
cvpr2020的文章,是有监督图像分类的文章,文章出发点是将错误的分类也分为不同的等级,以往的都是将所有错分类的都看成是相同的,还将one hot标签改为embedding形式的软标签。
23 Dual Distribution Alignment Network for Generalizable Person Re-Identification
AAAI2021的文章,将多个momain都向某一个中心domain对齐,选择哪一个域作为中心域,是根据wassert distance决定的,将不同的域向中心domain对齐,使用的gan网络,通过一个生成网络和判别网络来实现。 还做了基于身份进行的相似性增强操作。
24 Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification
aaai2021的文章,给生成的伪标签的可信度进行了定量的权重,可信度高的,就在算损失的时候加大权重,可信度低的话,算损失的时候就减小该样本的损失权重。