![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
行人重识别
文章平均质量分 64
Tchunren
本人喜欢运动,热爱生活
展开
-
REID论文记录
文章目录SVDNet for Person RetrivalSVDNet for Person Retrival这篇文章中使用了SVD分解,用在了全连接层的地方。出发点是为了使得全连接层中的代表每个identifity的向量之间具有正交关系,如果在训练过程不加入这个限制,那么全连接层的向量之间很可能存在相关性。这里面存在的问题是:在进行gallery和query的匹配寻找过程中,是直接测量两个特征向量之间的欧氏距离或者余弦距离,而在网络的训练过程中,是先将特征向量向全连接层中代表不同identifity原创 2021-05-08 22:06:20 · 427 阅读 · 0 评论 -
行人重识别文章分类
有监督1 part-based:[1] Beyond Part Models: Person Retrieval with Refined Part Pooling[2] Learning discriminative features with multiple granularities for person re-identi_cation[3] Densely semantically aligned person reidenti_cation[4] Pyramidal per原创 2021-03-09 10:15:55 · 249 阅读 · 0 评论 -
REID 行人重识别需要关注的一些科研组和研究者
郑伟诗https://www.isee-ai.cn/~zhwshi/罗浩http://luohao.site/郑哲东http://zdzheng.xyz/葛艺潇http://zdzheng.xyz/原创 2020-10-18 11:20:13 · 313 阅读 · 0 评论 -
REID 行人重识别 训练过程中的trick
1 warm up: 前十个epoch学习率先线性增长,然后保持,20和40个epoch的时候,学习率衰减为0.12 数据的随机擦除3 label smooth,对交叉熵进行一个改变4 将resnet50的最后下采样和卷积步长设置为15 在使用triplet和ID loss的时候,将送给triplet Loss 的特征经过一个BN层,然后送给ID Loss,这个BN层中,bias归零,不使用6 加center loss...原创 2020-10-11 19:00:47 · 446 阅读 · 0 评论 -
介绍reid各种tricks的论文
https://openaccess.thecvf.com/content_CVPRW_2019/papers/TRMTMCT/Luo_Bag_of_Tricks_and_a_Strong_Baseline_for_Deep_Person_CVPRW_2019_paper.pdf原创 2020-10-09 20:57:43 · 228 阅读 · 0 评论 -
训练过程source和target采用不同的BN参数,在测试阶段就不用指定是使用哪个域的BN参数了
行人重试别的无监督训练过程,在backbone中为了使源域和目标域的BN训练参数区分开,不相互影响,使用了下面的代码:import torchimport torch.nn as nn# Domain-specific BatchNormclass DSBN2d(nn.Module): def __init__(self, planes): super(DSBN2d, self).__init__() self.num_features = plane原创 2020-10-05 14:42:15 · 442 阅读 · 3 评论 -
python字典值默认为列表类型 defaultdict(list)
index_dic = defaultdict(list)创建的空的字典,默认了每个键值对中的值为空的列表原创 2020-09-21 08:45:43 · 4018 阅读 · 0 评论 -
集群已有镜像说明
219.216.99.4:8888/neusport/ansheng_pytorch:v4.0这个镜像,在原有的基础上,增加了faiss 和 metric-learn 包,可以运行这个样例代码了:https://github.com/yxgeee/SpCL原创 2020-09-20 21:57:23 · 229 阅读 · 0 评论 -
ECCV2020 reid行人重识别论文指标比对说明
1Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification https://arxiv.org/pdf/2007.10315.pdf 源码:https://github.com/NVlabs/DG-Net-PP2.Multiple Expert Brainstorming for Domain Adaptive Person Re-identificationhttps://arxiv.org...原创 2020-09-15 16:04:48 · 839 阅读 · 0 评论 -
eccv2020 行人重识别文章类型内容简介
Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification https://arxiv.org/pdf/2007.10315.pdf 源码:https://github.com/NVlabs/DG-Net-PP解决跨域问题,也是属于图片迁移的,将特征分为身份相关信息和不相关信息,其实就是结构特征和外观颜色特征,然后用源域标签作为监督信息在目标域上训练。Identity-Guided Human...原创 2020-09-09 19:00:40 · 379 阅读 · 0 评论 -
[Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification 魔改代码
最近在看这篇文章,以及试着整改代码,按照最初的github设定,跑出来的性能和论文中是一样的,由于论文说了使用camstyle 后的生成图片,我就在想,如果不用这个部分会怎样,我就取消了使用这个数据,结果就直接拉垮了,看一下跑出来的性能吧。Mean AP: 20.0%CMC Scores top-1 46.7% top-5 63.3% top-10 70.3% top-20 77.3%我在加入了一个自己设定的损失原创 2020-08-11 14:16:03 · 203 阅读 · 1 评论 -
pytorch 实现 GRL Gradient Reversal Layer
在GRL中,要实现的目标是:在前向传导的时候,运算结果不变化,在梯度传导的时候,传递给前面的叶子节点的梯度变为原来的相反方向。举个例子最好说明了:import torchfrom torch.autograd import Functionx = torch.tensor([1.,2.,3.],requires_grad=True)y = torch.tensor([4.,5.,6.],requires_grad=True)z = torch.pow(x,2) + torch.pow(原创 2020-08-07 21:51:49 · 5212 阅读 · 9 评论 -
ECCV 2020 REID 行人重识别论文汇总
Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification https://arxiv.org/pdf/2007.10315.pdfIdentity-Guided Human Semantic Parsing Learning for Person Re-Identificationhttps://arxiv.org/pdf/2007.13467.pdfDo Not Disturb Me: Pers...原创 2020-07-31 23:00:13 · 2906 阅读 · 0 评论 -
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原创 2020-06-30 16:38:39 · 1386 阅读 · 0 评论 -
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...原创 2020-06-09 13:57:03 · 1510 阅读 · 1 评论 -
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.原创 2020-06-05 20:38:36 · 300 阅读 · 0 评论 -
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。原创 2020-06-03 10:02:43 · 491 阅读 · 0 评论 -
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原创 2020-06-01 15:07:18 · 596 阅读 · 0 评论 -
多分类问题的soft cross entropy 损失函数
在做多分类问题的时候,分类结果的损失函数经常使用交叉熵损失函数,对于预测结果,先经过softmax,然后经过log,然后再根据One hot向量只取得其中的一个值作为损失函数的吸收值,比如,logsoftmax后的值为[-0.6, -0.12 , -0.33, -0.334, -0.783],假设one hot label 为[ 0,0,0,0,1 ],则损失函数的值为 Loss = 0.783,...原创 2020-04-17 12:07:17 · 6881 阅读 · 2 评论 -
加入triplet loss的 reid Pytorch实现
把triplet loss加到reid的实现中了,工程目录结构如下图所示:loss.py代码如下:import torchimport torch.nn as nnimport torch.nn.functional as Fdef euclidean_dist(x,y): m,n = x.size(0),y.size(0) xx = torch.pow(x,...原创 2020-04-14 19:52:52 · 2848 阅读 · 12 评论 -
如何利用Openpose框架编写自己的程序
Openpose编译结束后,除了想要跑一下给的例子以外,可能也要自己边写一些程序来实验。那么如何使用呢?我们来到目录 examples/user_code下面,创建一个文件取名为batch_process.cpp,并且要在这个文件夹下面的CMakeList.txt 文件中加入这个batch_process.cpp 文件名,github 地址在这了https://github.com/t2...原创 2019-05-05 22:07:55 · 2873 阅读 · 0 评论 -
基于传统方法的行人重识别系统开发案例
话回正题,记录一下基于传统方法的小规模行人重识别系统的开发案例。整个案例在Linux系统中搭建,利用QT开发框架,图像模块使用opencv,数据库采用MySQL。案例处理通过海康威视监控摄像头获得的三段行人视频,数据集真难采集,多亏周围师兄弟姐妹帮助,一并感谢了!!!在已有视频基础上,分三个部分实现整个功能,分别是行人图像提取,后端数据处理,前端重识别检索。下面分别介绍,本着Talk is n...原创 2018-12-01 22:09:04 · 2892 阅读 · 6 评论