可以uda
文章平均质量分 58
jiansuo
AIchiNiurou
cv
展开
-
基于抗噪声学习与相机风格元学习的无监督行人重识别CVPR
joint Noise-Tolerant Learning and Meta Camera shift adaptation for unsupervised Person Re-Identification开源Fengxiang Yang 厦门大学博士一年级 CVPR2020.6.19抗噪损失函数聚类产生噪声相机风格元学习消融实验(各个技巧,添加顺序后,对比哪个技巧更有效,多个技巧相辅相成)...原创 2021-05-25 21:15:22 · 455 阅读 · 0 评论 -
好思想 REID 无监督方法
https://blog.csdn.net/weixin_43979572/article/details/106161164 附论文下载链接:https://arxiv.org/pdf/2004.09228.pdf 【课题介绍】:北大Dongkai Wang,Shiliang Z转载 2021-05-08 10:23:16 · 559 阅读 · 0 评论 -
MMdet train kitty and ssm
1 epoch 3 train 和 val2 ssm data原创 2021-02-10 00:44:15 · 126 阅读 · 0 评论 -
reid未来方向 争着东2020 11
原创 2020-12-09 23:56:39 · 104 阅读 · 0 评论 -
2020-12-03 mutual guide locate and classification
2020.11月ACM会议的论文:定位和分类互相指导1 介绍目标检测有两个任务,这两个任务的预测分别告诉我们图像上的对象“在哪里”和“什么”。在联合训练阶段,这两个任务都利用梯度下降联合优化任务,但这两个任务可能不会梯度下降联合优化定位不精确的边界框以及精确定位但分类错误的预测。这两种预测都显著降低了整体检测质量。针对现有基于IoUanchor策略的这两个局限性,我们提出了一种新的、以定位和分类任务为导向的自适应锚匹配准则,即借助边界盒回归预测,动态分配训练锚样本以优化分类,反之亦然。这些策略导致了原创 2020-12-03 14:08:33 · 215 阅读 · 0 评论 -
开题综述 之物体检测
文章目录1 目标检测faster rcnn(RPN: 筛选出可能会有目标的框)1. Anchor遍历 及RPN前向37 * 50 * 9= ==16650==个anchors2. RPN loss 原文Lreg = R(t-t*) :smooth L12. proposal生成, 利用上述预测得分可以得到更有可能包含物体的proposal(==2000==个)3. 筛选proposal得到ROI (train=true时==256==个)测试时==300==个ROI 后续做分类,3. ROI pooling原创 2020-11-30 21:16:12 · 222 阅读 · 0 评论 -
罗浩博士 讲解2020-8-27 图像检索及跨域问题
设计行人隐私的图片请打马赛克SPGAN 生成图的对抗loss是三元loss,其中正例是原图和生成图self-similarity,负例是不同域的图像domain-unsimilarity每个相机中一个图片可以生成其他相机的图像,如果有6个相机一共可以扩增6倍聚类伪标签SpCL 同时还对源域数据聚类三类数据标签,源域自己的,目标域伪标签,目标域离群点自己是一个标签聚类的方法怎么评价其类别的可靠性,膨胀之后没有其他类数据可靠...原创 2020-11-26 14:09:17 · 417 阅读 · 0 评论 -
MMT实验复现记录
两张 2080,配置文件还是原始master 配置1 dukeTOmarket1 pretrain_resnet50_net_1test on duketest on market2 pretrain_resnet50_net_2test on duketest on market3 MMT-kmeans-500test on market4 MMT-DBSCAN原文实验结果me, 为什么一开始就 baseline的跨域性能就差3个点Duke - market原创 2020-11-17 20:55:50 · 392 阅读 · 2 评论 -
基于主动学习的噪声标签识别和更正 袁龙硕士
原创 2020-11-12 21:03:33 · 183 阅读 · 0 评论 -
深度学习噪声标签的筛选
https://www.cnblogs.com/jins-note/p/9548012.html 深度学习中噪声标签的影响和识别 </h1> <div class="clear"></div> <div class="postBody"> 问题导入在机器学习领域中,常见的一类工作是使用带标签数据训练神经网络实现分类原创 2020-11-10 20:25:27 · 1196 阅读 · 1 评论 -
2020cvpr eccv 论文收集
CVPR 2020链接:https://pan.baidu.com/s/16qaZiSbbTOTFlghykV7HKA 密码:u9nuECCV2020 ORAL链接:https://pan.baidu.com/s/1F_vVDXoAI6sP4_vwN3LzAw提取码:1ra0ECCV 2020 教程讲义 :链接:https://pan.baidu.com/s/1nbMNpg2zDPFlsQESZLpZXA提取码:52CV...原创 2020-11-08 09:27:07 · 297 阅读 · 0 评论 -
cvpr2020论文reid
https://bbs.cvmart.net/topics/2751原创 2020-11-07 20:10:30 · 228 阅读 · 0 评论 -
多GPU并行训练和单GPU训练网络精度对比
文章目录实验配置1 单2080s 86.4 / 94.42 单2080 86.0 / 94.53 利用torch的parallel两张并行 85.0 /93.7实验配置一张2080s, 一张20801 单2080s 86.4 / 94.4re-ranking2 单2080 86.0 / 94.53 利用torch的parallel两张并行 85.0 /93.7...原创 2020-11-07 12:38:55 · 2098 阅读 · 1 评论 -
PCB-past(iccv19):Self-training with progressive augmentation for unsuper- vised cross-domain person
self-traing blog 【ICCV2019 reid】Self-training with progressive augmentation for unsupervised cross-domain person reid转载 2020-11-06 22:19:02 · 338 阅读 · 0 评论 -
MMT互平均学习: Pseudo Label refinery for UDA P-reid
MMT:解决为标签UDA中,聚类算法得到的为标签存在噪音问题交替训练 提纯伪标签Soft-triphard-label :1 介绍off-line refined hard pseudo labels and on-line (受teacher-student启发)refined soft pseudo labels.同时训练两个net避免训练错误的放大our proposed MMT framework provides robust soft pseudo labels in an on-原创 2020-11-04 00:14:15 · 310 阅读 · 1 评论 -
UDA_TP阅读笔记
摘要将UDA分类理论 延申到 REID对提取特征做了一些假设,并由此推导出对应loss为了优化loss,利用了self-train策略。它基于编码器对未标记的目标数据进行迭代猜测,并根据猜测的标签对编码器进行训练。介绍分类UDA和REID-UDA不同之处:分类中目标域和源域类别相同,REID则源域和目标域的类别ID完全不重叠Existing algorithms for unsupervised domain adaptive re-ID tasks typically learn domain原创 2020-10-20 14:22:20 · 175 阅读 · 0 评论 -
DA的真正含义,JDA方法介绍--wangjindong
https://zhuanlan.zhihu.com/p/27336930分析的透彻,从边缘分布适配, 到条件概率适配,最后得到JDA联合概率适配通过源域预训练的的分类器,预测目标域为标签,最后得到MMD距离进行适配原创 2020-10-20 13:11:11 · 1417 阅读 · 0 评论 -
Deep subdomain adaptation network (DSAN)细粒度领域自适应2020 image classification
细粒度对齐方法,local domain shift子领域对齐(可看作每类是一个子领域),语义对齐,匹配条件(概率)分布subdomain adaptation (also called semantic alignment or matching conditional distribution)https://zhuanlan.zhihu.com/p/254856261http://jd92.wang/assets/files/a24tnnls20.pdf王晋东:Balance 边缘和条件原创 2020-10-18 22:23:22 · 1713 阅读 · 1 评论 -
迁移学习中的领域自适应方法--王晋东 中科院2017-12-14-极市
汇报者介绍:迁移学习分类方法基于特征最多,同时结合基于样例和模型(finetune pretrained)同构:模态是否相同(文本、图像)–特征维度是否相同领域自适应问题领域自适应方法边缘概率适应:S和T整体分布就不同条件概率适应:S和T整体分布相似,但是各域的类间不同边缘分布适应方法(迁移成分分析:Transfer component analysis, TCA)作者工作JDA出发,平衡边缘和条件的权重整体数据差异性大(相似度底),边缘分布原创 2020-10-18 12:17:54 · 496 阅读 · 0 评论 -
MMT:互均值教学-伪标签提炼 for person reid
基于聚类的伪标签获取利用伪标签训练unlabeled数据的 问题所在MMTmean-teacher (17年)求多次迭代数之后的模型参数均值为最后的模型参数使生成的标签更精确一些利用伪标签进行 蒸馏(cls loss+tri loss)学习Softmax triplet loss for triplet distillation...原创 2020-10-17 23:41:54 · 459 阅读 · 0 评论 -
MAR文章read note
https://github.com/KovenYu/MAR摘要没有配对的行人标签如何实现跨境识别。Soft Multilabel Learning((real-valued label likelihood vector) for unsupervised RE-ID方法:学习目标域每个行人的软标签,通过与其他unlabelled 的行人和辅助行人数据集得到(细节如何得到)软多标签难负样本挖掘(通过软多标签指导的特征难样例挖掘,拉远负例距离,拉近正例距离)因为target域中来自同一相机的图原创 2020-10-12 16:30:22 · 111 阅读 · 0 评论 -
UDA-ECN +MAR实验代码
原创 2020-08-21 13:12:28 · 179 阅读 · 0 评论 -
学习笔记:基于软多标签学习---的无监督行人再识别 中山大学
MAR:soft Multi-label图1所示。说明我们的软多标签概念。通过比较一组已知的辅助参考人员(箭头线越粗表示标签的似然性越高),我们为每个未标记人员学习一个软多标签(实值标签向量)。以彩色观看效果最佳。...原创 2020-08-14 18:52:37 · 694 阅读 · 0 评论 -
学习笔记:2019年SSG自相似分组 uda reid
Fu, Yang and Wei@InProceedings{Fu_2019_ICCV,author = {Fu, Yang and Wei, Yunchao and Wang, Guanshuo and Zhou, Yuqian and Shi, Honghui and Huang, Thomas S.},title = {Self-Similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Pers原创 2020-07-31 12:42:55 · 337 阅读 · 0 评论 -
学习笔记:投射到共享特征空间An Unsupervised Deep Transfer Learning Approach to reid
其中一篇参考文献 2018Adaptation and Re-Identification Network: An Unsupervised Deep Transfer Learning Approach to Person Re-Identification 寻找共享特征空间,域不变特征原创 2020-07-31 12:34:18 · 645 阅读 · 0 评论 -
跨域重识别方法学习
学习地址https://www.bilibili.com/video/BV1g54y1d7KS?from=search&seid=7802284676106633884原创 2020-07-24 21:55:44 · 362 阅读 · 0 评论 -
ECN UDA_TP OpenUnreid FastREID 代码学习记录汇总(数据集和方法)
文章目录一 各project调用数据集名字列表1 market15012 Duke3 MTMS17二 代码项目复现1ECN(三不变性)基于openreid APIFor Duke to Market-15012 Fastreid3 openUnreid(包含:MML,UDA_TP, Openreid)一 各project调用数据集名字列表1 market1501xini zzd PCB: 单域market1501Fastreid 单域\ 可视化 yml 数据dir logdir env:原创 2020-07-05 14:29:26 · 446 阅读 · 0 评论 -
学习笔记:Nvidia讲座 多域多层次转换(pose\appearence) 生成多条件y的外貌 few-shot unsupervised image to image translation
few-shot unsupervised image to image translationcontent pose、class 外貌target 外貌source poseFew-shot Unsupervised Image-to-Image Translation• Generating images of unseen domain in the few shot setting• Extract target domain appearance information via a原创 2020-06-30 14:04:11 · 192 阅读 · 0 评论 -
学习笔记: 三种弱监督的方向
1 inaccurate (SEAL 边缘对齐)2 incompleteDomain shiftself-train 就是 伪标签法: 概率模型取高置信度伪标签finetune做的事情是target也有loss,迁移原模型到target微调伪标签法的类别平衡方法REID joint D和G的外貌和结构ganinexact...原创 2020-06-30 15:56:28 · 290 阅读 · 0 评论 -
学习笔记:2017Unlabeled Samples Generated by GAN Improve the Person Re-identificatio(用LSRO生成gan图像的标签)
Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro用标签平滑for outlaier 分类伪标签** We propose the label smoothing regularization for outliers (LSRO)**key:类别数仍未751,DCGan生成的数据按现有类别分布进行分配标签LSRO1 intro1)在未标记数据生成中采用GAN方法,2原创 2020-07-01 13:36:49 · 641 阅读 · 0 评论 -
reid的无监督调研
跨域无监督学习此类方法旨在如何以无监督的方式将预先训练好的模型从源域有效地传递到目标域49],一般情况下,直接将在源域中训练的模型应用到目标域,由于两个域之间存在一定差异,会导致效果不理想,而无监督的跨域方法会减小这种域差异,使得源域的模型也可以有效地用于无标签的目标域。伪标签法1. 文献[50]提出的PUL (Progressive Unsupervised Learning )2018使用预训练的模型从未标记的目标域训练集中提取图像特征,然后使用K-means聚类算法对这些特征聚类,再从这些类中原创 2020-07-01 18:01:33 · 706 阅读 · 0 评论 -
论文阅读方法--科技论文(吴恩达三遍法,四篇/月)
论文至少要看三遍接下来,就集中介绍一下如何研究一篇论文。吴恩达认为,要理解一篇论文,一次将一篇论文从第一个字读到最后一个字,可能并不是最佳方式。正确的打开方式是,一篇论文至少要看三遍。第一遍,仔细阅读论文中的标题、摘要和关键词。第二遍,阅读文中的导言、结论以及图表快速扫描一下论文剩下的内容。这一步主要是要把握论文中的关键信息,不光是导言和结论,还包括文章中任何小结论的总结,文中涉及的补充信息都跳过。第三遍,阅读论文的整个部分但是要跳过任何可能陌生看不懂的数学公式,技术术语。不过,如果你需原创 2020-07-04 18:29:06 · 573 阅读 · 0 评论 -
学习笔记:Invariance matters:exemplar memory for Domain adaptive person RE-identification
Zhengliang 澳洲国立 zhongzhun厦门大学github_address在训练过程中,带标记的源数据和未带标记的目标数据被馈入深度re-ID网络,以获得最新的表示。随后,设计了两个组件,分别使用源数据和目标数据优化网络。第一个组件是分类模块,用于计算标记源数据的交叉熵损失。第二个组件是一个范例存储模块,用于保存目标数据的最新特征并计算未标记目标数据的不变性学习损失。0 摘要DA领域自适应人员再识别问题:分别从带标记的源域和未带标记的目标域学习一个reid模型。传统的方法主要原创 2020-07-03 21:44:57 · 274 阅读 · 0 评论 -
REID rank
非迁移域数据适应模型market过拟合了都1 2020 asymmetrical network for learning rich feature in Person re-id–95.03,87.4非对称网络学习rich feature market1501 pcb 93, 812 bag of tricks 2019 soft-max+triplet loss–94.5,85.9 D-86.6,74.83 郑哲东 DGnet joint discrimination and gene原创 2020-07-02 13:00:22 · 465 阅读 · 0 评论 -
思考总结:REID实践 罗浩郑哲东 bag of tricks for person reid baseline运行记录
1 、下载,baseline和data:market1501https://github.com/michuanhaohao/reid-strong-baseline2 、baseline.yml修改下载restnet50的pretrain模型,把模型的下载位置拷贝到yml里 from torchvision import models models.resnet50(pretrained=True)3 、yacs安装 pip install pytorch-ignite原创 2020-07-02 13:00:08 · 722 阅读 · 0 评论 -
UDA Reid rank
UDA或迁移person re-id1 Deep reference multi-label unsupervised domain adaptation for person:D–>M 81.4 59.4 M–>D 65.8 44.72 代码ECN[28]:invariance-matter-exemplar memory for domain adaptive person re-identification D-M:75.1,43 M-D:63.3, 40.43 ktCUDA:U原创 2020-07-02 12:59:42 · 396 阅读 · 0 评论 -
UDAreid综述
reference2018年eccvreid简评1 HHL 模型Generalizing A Person Retrieval Model Hetero- and Homogeneously pdf2 ECN记忆原创 2020-07-02 12:58:13 · 285 阅读 · 0 评论 -
转自郑哲东2019.9 REID排行
State-of-the-artIf you notice any result or the public code that has not been included in this table, please connect Zhedo...转载 2020-07-02 12:56:01 · 426 阅读 · 0 评论