ReID
酉意铭
深度学习 计算机视觉
展开
-
OSNet:Omni-Scale Feature Learning for Person Re-Identification(论文阅读笔记)
CVPR 2019的文章,作者自己根据Reid任务重新设计了一种新的网络结构,比较轻便,对比shuffleNet,mobileNet,SqueezeNet等具有更好的性能。论文链接:《Omni-Scale Feature Learning for Person Re-Identification》代码链接:https://github.com/KaiyangZhou/deep-person...原创 2019-06-27 11:27:54 · 15599 阅读 · 9 评论 -
Bag of Tricks and A Strong Baseline for Deep Person Re-identification(论文阅读笔记)
本文是CVPR2019 的文章,作者给出了一个很强的人体ReID baseline模型,文中包含了许多ReID训练技巧并提出一种BNNeck,在Market1500和DukeMTMC-ReID 两个数据集上达到了目前最好的Rank-1 精度和mAP。论文链接:《Bag of Tricks and A Strong Baseline for Deep Person Re-identificati...原创 2019-06-27 17:16:27 · 12385 阅读 · 5 评论 -
BFENet:Batch Feature Erasing for Person Re-identification and Beyond(网络阅读笔记)
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...原创 2019-06-29 21:21:52 · 4203 阅读 · 2 评论 -
PCB:Beyond Part Models: Person Retrieval with Refined Part Pooling(论文阅读笔记)
ECCV2018年的论文论文原文:原文链接本文是阅读的arXiv上的论文,与发表在ECCV2018上的原文细微差别。arXiv 链接:arXiv 论文链接摘要 在行人图像描述中使用 part-level 特征提供了细粒度的信息,并在最近的文献中被证实对人的检索是有益的。part发现的一个先决条件是每个 part 都要定位好。本文不采用姿态估计等外部线索直接定位 pa...原创 2019-07-05 19:45:50 · 2084 阅读 · 0 评论 -
Triplet Loss 和 Center Loss详解和pytorch实现
最近在学习ReID相关的算法,为了提高ReID的性能通常会采用softmax loss 联合 Triplet Loss和Center Loss来提高算法的性能。本文对Triplet Loss和Cnetr Loss做一个总结,以简洁的方式帮助理解。Triplet Loss和Center Loss都是从人脸识别领域里面提出来的,后面在各种图像检索任务中被广泛应用。想要了解Triplet L...原创 2019-08-01 16:44:41 · 30185 阅读 · 3 评论