无监督
文章平均质量分 79
棱镜7
这个作者很懒,什么都没留下…
展开
-
Re-ID数据集介绍
文章目录一、Market1501描述:目录结构命名规则:干扰数据集:二、DukeMTMC-reID描述目录结构命名规则:三、MSMT17_V2描述目录结构一、Market1501论文链接描述:Market1501数据集示例图像。所有图像为128*64。(上)具有独特外观的行人(中)外观相似的行人(下)干扰图像和无用图像共6台摄像机放在校园超市前面,其中包括5台1280*1080高清摄像机和1台720*576 SD摄像机,这些摄像头之间存在重叠,该数据集包含1306个行人的32668个包围框。原创 2021-07-28 11:10:37 · 2570 阅读 · 0 评论 -
注意力机制SimAM(SimAM: A Simple, Parameter-Free Attention Module for Convolutional Neural Networks)
论文链接转载目录1、摘要:2、注意力机制比较:3、SimAM:4、实验结果1、摘要:在不增加原始网络参数的情况下,为特征图推断三维注意力权重1、提出优化能量函数以发掘每个神经元的重要性2、针对能量函数推导出一种快速解析解,不超过10行代码即可实现。2、注意力机制比较: 不同注意模块的结构设计和参数比较。运算符有:空间(GAP)或通道平均池化(CAP)、空间(GMP)或通道最大池化(CMP)、沿空间维度计算的标准偏差(GSP)、标准卷积(C2D)或基于通道的卷积(C1D)、标准(FC)或通转载 2021-07-22 14:17:42 · 24328 阅读 · 8 评论 -
MMT(互均值学习)
文章目录一、问题and方法二、Method1.MMT2.损失函数三、实验结果一、问题and方法?:(1)不同数据集之间的领域差异 (2)聚类过程引起的不可避免的标签噪声1、MMT(相互均值教学)通过离线精炼硬伪标签和在线精炼软伪标签交替训练的方式,从目标域中学习更好的特征。2、soft softmax-triplet训练软伪标签。二、Method1.MMTMMT框架通过协作训练两个具有不同初始化的相同网络来生成软伪标签。伪硬标签的生成基于现有的聚类UDA方法伪软标签使用每个网.原创 2021-07-19 10:41:49 · 522 阅读 · 0 评论 -
AWB(Attention WaveBlock)
AWB(Attention WaveBlock)文章目录AWB(Attention WaveBlock)1 问题and方法2 MMT3 WaveBlock4 attention WaveBlock4.1 CBAM4.2 Non-local block5 实验结果1 问题and方法?:UDA:聚类算法产生的伪标签存在噪声->双流网络相互学习产生软标签(随着网络的逐渐收敛,互补性被削弱 两者偏向于同类噪声。1、通过两个网络分别使用waving blocks产生差异2、利用注意力机制扩大差异,原创 2021-07-16 09:59:49 · 826 阅读 · 0 评论