- 博客(16)
- 资源 (1)
- 收藏
- 关注
原创 利用memory bank 存储特征,进行REID跨域问题的研究
Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification考虑了target域中Exemplar-invarianceCamera-invarianceNeighborhood-invariance三个一致性代码在这了:https://github.com/zhunzhong07/ECN
2020-06-30 16:38:39 1392
原创 Progressive Feature Alignment for Unsupervised Domain Adaptation 学习
http://export.arxiv.org/pdf/1811.08585讲的是通过聚类的方式进行跨域适应,在目标域上进行聚类的时候,是逐渐聚类的。
2020-06-28 19:25:39 530
原创 beta分布
在读论文的时候,遇到了beta分布这个概念The Data Representativeness Criterion: Predicting the Performance of Supervised Classification Based on Data Set Similarity数据代表性准则:基于数据集相似度的监督分类性能预测作者: Evelien Schat, Adriënne M. Mendrikhttps://arxiv.org/abs/2002.12105...
2020-06-23 16:36:10 160
原创 随机傅里叶特征
https://www.cnblogs.com/kailugaji/p/12383393.htmlhttps://murongxixi.github.io/2013/12/18/%E6%A0%B8%E8%BF%91%E4%BC%BC%EF%BC%9A%E9%9A%8F%E6%9C%BAFourier%E7%89%B9%E5%BE%81/
2020-06-13 20:33:28 1164
原创 行人重识别分类总结
一.总体说明行人重识别,可以简化为这样的过程:将原始图片数据进行特征提取,之后送入目标函数并对其进行优化。这个过程涉及三个重要部分:数据、特征、目标函数。因此将REID方法,根据研究的关注点,分为三类。分别别是基于数据的研究、基于特征的研究和基于目标函数的研究。我们定义:行人重识别的目的是在某个数据集上进行测试时,使得性能尽量的好。(rank 1 , mAP)分类如下: 1 数据:指真实意义上的图片images,分类依据是研究侧重点在数据的准备上 2 特征:指经过CNN后...
2020-06-09 13:57:03 1513 1
原创 关于余弦距离的思考
在做特征之间的距离度量的时候,可以使用欧式距离,也可以使用余弦距离,那么如果是余弦距离的话,异类之间的距离,将距离的目标设置为0,还是设置为-1作为目标距离比较好呢?这是一个问题,我就以此为探究点,做一下实验。试验结束后写答案。...
2020-06-05 20:42:27 193
原创 mini_batch 中在特征的层面拉近同类内积 推远异类内积
在mini batch中,我要返回一个(batch_size, dim)尺寸的张量,然后计算相同类别之间的平均内积,和异类之间的平均内积。这里其实有一点可以考虑,咱们到底是将内积作为目标函数来优化好,还是将距离作为目标函数来优化好呢?如果是内积的话,同类的好说,同类之间的内积越接近1越好,异类之间的内积,是接近0好,还是-1好呢?这确实是一个问题。在我下面的代码中,我是将异类的内积设计为-1为目标值了,注意,送到Pull_Push_Features_loss 中的特征参数已经是经过二范数规范后.
2020-06-05 20:38:36 301
原创 pytorch 模型model 的一些常用属性和函数说明
首先创建一个简单的网络,用来举例说明后来的例子。class Net(nn.Module): def __init__(self): super(Net,self).__init__() self.conv1 = nn.Conv2d(3, 6, kernel_size=3, padding=1) self.bn1 = nn.BatchNorm2d(6) self.conv2 = nn.Conv2d(6,8,kernel_size=3
2020-06-04 17:42:17 5688
原创 REID 互平均学习MMT 孪生网络的无监督行人重识别,代码包括如何按照 M = alpha(M_t) + (1-alpha)(M_t-1)更新网络参数
Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification知乎讲解:https://zhuanlan.zhihu.com/p/116074945代码地址:https://link.zhihu.com/?target=https%3A//github.com/yxgeee/MMT
2020-06-03 10:03:24 1227
原创 strong reid 代码实现
https://github.com/t20134297/reid-strong-baseline这个是reid的开源代码,里面有triplet 的数据划分方式、triplet loss 的定义,一些训练的例子,还有网络的搭建、优化器的设置等具体代码。
2020-06-03 10:02:43 491
原创 SELECTION VIA PROXY: EFFICIENT DATA SELECTION FOR DEEP LEARNING 思考REID 数据考量
前几天对行人重试别进行了分类,从数据、特征、目标函数角度作为研究的重点。这篇文章给涉及到训练数据的选择,可不可以在target中寻找少数量的样本进行标记,但是却能达到很好的效果呢?...
2020-06-02 18:42:51 334 1
原创 只通过拉近特征之间的距离来训练REID 模型
在正常的行人重识别深度学习的模型中,都是先将行人图片经过backbonne网络,提取特征,然后再将特征和Linear层进行了链接,然后根据输出的分类概率,来反馈,对网络进行优化。我就在想,可不可以不经过最后的分类层,而是直接在特征的层面进行优化。所以我写了一个损失函数:import torchimport torch.nn as nnclass Features_Loss(nn.Module): def __init__(self): super(Features_Los
2020-06-01 15:07:18 599
library_manage_system.zip
2020-06-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人