可以
文章平均质量分 50
6
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 · 451 阅读 · 0 评论 -
person search in the wild 贡献
贡献1不同检测器和识别器组合后的性能2 检测器机制对提升REID精度的帮助3 评估了不同检测器对REID性能的影响数据集PRWtest与SSM不同的是所有query ID的pool都是6112.而不是各自对应的100或1000张。库中ID多则增加了查询的困难常用的行人检测数据库 INRIA(人) Caltech(人) KITTI(通用检测数据集)好的检测器使1:N检索N小一点false少一点:A good detector will be more likely to recall th原创 2021-02-25 15:11:02 · 99 阅读 · 0 评论 -
DPM(2010deformable part model) -HOG2006升级histogram of oriented gradients feature
1 object detection with discriminatively Trained part-based modelspart-based models 基于局部块的模型using mixtures of multiscale deformable part models克服多类型多视角非刚体物体识别难度多尺度可变形的局部块模型 deformableThese models are trained using a discriminative procedure that only原创 2021-02-25 12:26:34 · 83 阅读 · 0 评论 -
KD tree (K dimensional tree)多维空间搜索 近邻
kd树(k-dimensional树的简称),是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索)。原创 2021-02-25 11:14:59 · 329 阅读 · 0 评论 -
cvpr2020论文reid
https://bbs.cvmart.net/topics/2751原创 2020-11-07 20:10:30 · 225 阅读 · 0 评论 -
idenet 学习记录:bili
整个功能架构设计(利用embed进行断点查看)数据读取、数据加载和预处理、模型、1 data_manager.py读取market1501数据集,返回dataset_train, query,gallery。p、I、c的个数再根据这个类进行重构2 dataset_loader.py1 transform.py构建transform类进行图像针管,数据增多,增强:随机裁剪center-crop,flip(在新大的差值内进行随机点生成)定义随机h的起点和w的起点model.py原创 2020-07-27 23:00:16 · 208 阅读 · 0 评论 -
代码学习(复现记录)open-reid-master(萧同)lib的安装使用
本笔记是记录复现代码过程。此库已经被很多论文采用用作自己实验的baseline,之后再做添加修改进行自己的实验。原创 2020-07-18 15:34:15 · 333 阅读 · 0 评论 -
行人再识别数据集 合辑 MSMT17(多场景多时段行人再识别数据集)
合辑地址http://robustsystems.coe.neu.edu/sites/robustsystems.coe.neu.edu/files/systems/projectpages/reiddataset.html论文:PTGANPerson Transfer GAN to Bridge Domain Gap for Person Re-identification15Camera(12外景3室内),一个月的4天不同天气,每天3个时段共早中晚3小时。总共3415=180小时。用Faster原创 2020-07-07 14:30:01 · 1221 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 · 554 阅读 · 0 评论 -
跨模态检索REID 概述
1. 写在前面本文是我阅读近红外的跨模态行人重识别(RGB-IR Cross-Modality Re-id)文献的笔记,由于网上对该方面介绍的博客很少,所以这里我记录下阅读文章的一些要点和我自己对这些问题的思考。2. 综述1. Beyon...原创 2020-07-02 13:11:07 · 594 阅读 · 0 评论 -
跨模态REID:Hi-CMD:Hierarchical Cross-Modality Disentanglement for Visible-infrared reid层级分离跨模态检索
不同图像形态:RGB、红外infrared摘要原创 2020-07-02 13:01:16 · 865 阅读 · 0 评论 -
跨模态 CM-REID综述(跨摄像头硬件成像、跨场景白黑雾雪、跨成像形态RGB-IR、医学成像、事件相机)
REIDCV热门领域,跨摄像头、场景、模态识别检索。根据:穿着、体态 身高、肤色等信息认知Cross-modular REID跨模态REID通过RGB和红外图像中检索识别ID。1 减少模态间的差异,在两个模态中检索probe的所有图像(包含...原创 2020-07-02 13:01:06 · 538 阅读 · 0 评论 -
学习笔记: RGB-Infrared Cross-Modality Person Re-Identification --数据集SYSU-MM01
https://www.isee-ai.cn/project/RGBIRReID.htm红外成像技术是一项前途广阔的高新技术。比0.78微米长的电磁波位于可见光光谱红色以外,称为红外线,又称红外辐射。是指波长为0.78—1000微米的电磁波,其中波长为0.78—2.0微米的部分称为近红外,波长为2.0—1000微米的部分称为热红外线。自然界中,一切物体都可以辐射红外线,因此利用探测仪测量目标本身与背景间的红外线差可以得到不同的热红外线形成的红外图像。modality:形式、形态 nmodular:模原创 2020-07-02 13:00:57 · 1982 阅读 · 0 评论 -
CM-REID综述
https://blog.csdn.net/qq_41967539/category_9633399.html原创 2020-07-02 13:00:35 · 240 阅读 · 0 评论 -
2020cvpr学习笔记
19日 image retrievalhttps://matsui528.github.io/cvpr2020_tutorial_retrieval/基于内容的图像检索是用于与视觉集合进行交互的最重要技术之一。尽管在过去十年中已取得了重大进展,但现有技术仅在标准基准(例如牛津数据集)上进行了评估,该数据集主要由建筑物图像组成。关于如何为实际应用创建实用且大规模的视觉搜索系统的讨论还不够多,例如在网上市场推荐购物商品或在安全场景中对行人进行重新标识。本教程涵盖了为实际应用程序构建图像检索系统的几个重要组原创 2020-07-02 12:57:52 · 179 阅读 · 0 评论 -
学习笔记 Unsupervised Domain Adaptive Re-Identification: Theory and Practice
文章目录0 摘要1 intro1 第一假设:协变量假设:2 第二假设:Separately Probabilistic lipschitzness:单独概率的平滑smooth:3 第三假设:权重比self-train框架2 符号定义3 假设、域自适应的可学习性定义1 协变量移位假设定义2 单独的概率平滑SPL定义3 权重比4 加强假设4.1 加强SPL 单独概率平滑4.2 加强权重比例 假设4.3 整个算法流程(a)它不需要簇的数量作为输入(b)能够避免对低置信度(c)它具有足够的可扩展性参数设置5 实验原创 2020-07-02 12:13:57 · 980 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 · 632 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 · 460 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 · 287 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 · 189 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 · 391 阅读 · 0 评论 -
学习笔记:人脸识别挑战
地址文章目录人脸识别最终任务:人脸比对任务模型泛化跨域 不满足实际应用挑战挑战二:跨群体性能下降人脸识别步骤检测难点faster RCNN:第一步背景还是ROI,第二步:什么物体回归框SSD,针对多尺度问题(深层锚框大尺度,中层锚框小尺度)数据集数据增强在线难例挖掘(1:3目标和背景,看loss大的排序选择)尺度补偿:尺度越小、越难检测融合特征 FCN 分类高特征,回归框依赖底层检测加速蒸馏大网络知识到小网络人脸检测展望三 人脸关键点定位人脸关键点用于AR,虚拟换装化妆人脸关键点检测方法1响应图回归法人脸原创 2020-06-24 22:46:50 · 703 阅读 · 0 评论 -
细粒度特征识别
魏秀参 综述课程Feature Feature 还是Feature不变性:光照不变性,旋转不变性,相机不变性,ID不变性,近邻不变性区别性:外形、细腻特征、2012年之前全局特征不变性较差局部特征2012之后 深度向量特征用一个集合表达,怎么到向量表达pooling 损失 的motivation协方差矩阵协方差–》流行空间,测地距离...原创 2020-06-17 16:30:01 · 3147 阅读 · 0 评论 -
学习笔记:6-16Infrared-Visible Cross-Modal Person Re-Identification with an X Modality
http://www.luyixian.cn/news_show_335517.aspxx modality可以指什么, 辅助模态,中间模态1 RGB–》x?可以理解成公共特征空间中拉近了各个模态的分布散度?提高搜索进度,但是Infrared没有–》X 5张?2 生成网络如何训练?是什么类型的条件GAN吗?为什么只映射rgb–》x。没有3 MRG模态各自模态分类softmax-triplet?,CMG跨模态差异是散度吗距离度量是什么?,设计的目的是什么?...原创 2020-06-16 17:55:19 · 417 阅读 · 0 评论 -
REID排行榜circle loss 88.2,跨域REID排行: MMT:71.2 Fastreid-MLT 80.5(论文名字)
FastREID原创 2020-06-13 15:01:48 · 695 阅读 · 0 评论 -
FastREID转载原LXY解读
引言动机一些新特性未来的一些改进方向结语引言FastReID 平台已经成为京东人工智能研究(JD AI Research)的开源项目之一,它是面向学术界和工业界的研究/开源项目,主要用于研究和应用落地。先放上 Github 链接:fast-reid我们的 FastReID 也有一篇 paper 进行更加详细地介绍,如果想要了解更多关于 FastReID 的信息,可以直接去看原始 paper。FastReID: A Pytorch Toolbox for Real-world...转载 2020-06-13 00:00:39 · 682 阅读 · 0 评论 -
multitask-meta learning
cs330以上14节课知乎metalearning为什么看到metalearning ?Multi-Domain Data. It is well recognized that there isa large domain gap between different datsets [35]. Mostexisting methods adopt domain adaptation for cross-datasettraining. A more practical solution w原创 2020-06-12 22:50:15 · 382 阅读 · 0 评论 -
2020REID survey 综述Deep Learning for Person Re-identification: A Survey and Outlook
参考自:机器之心该文章发表于2020年初,作者调查了245篇近两三年的行人重识别(Person Re-identification)论文,分类为封闭世界ReID与开放世界ReID,综述了该方向的技术进展,对未来ReID技术发展给出了几个有价值的...转载 2020-06-12 19:56:29 · 764 阅读 · 0 评论 -
学习笔记HHL:Generalizing a Person Retrieval Model--Hetero-Homogeneous Learning UDA郑良2018
HHL摘要 Hetero-Homogeneous异质LearningH对两个不变属性进行加强:1 相机不变性、2 域联结性connectedness相同相机同域数据样本对:homogeneous 同质通过源域和目标域负样本对,heterogeneous 异质,train pair(t-s)再次明确REID,同Camera不同场景,同场景不同camera...原创 2020-06-12 15:52:54 · 782 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 · 281 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 · 333 阅读 · 0 评论 -
人脸或person REID等的loss的演变和发展,怎么让特征更好的嵌入超球空间
https://zhuanlan.zhihu.com/p/34404607https://zhuanlan.zhihu.com/p/34436551hardmaxsoftmaxSoftmax训练的深度特征,会把整个超空间或者超球,按照分类个数进行划分,保证类别是可分的,这一点对多分类任务如MNIST和ImageNet非常合适,因为测试类别必定在训练类别中。但Softmax并不要求类内紧凑和类间分离,这一点非常不适合人脸识别任务,因为训练集的1W人数,相对测试集整个世界70亿人类来说,非常微转载 2020-06-11 22:41:59 · 468 阅读 · 0 评论 -
FastREID性能评测
FastReID Model Zoo and BaselinesIntroductionThis file documents collection of baselines trained with fastreid. All numbers were obtained with 1 NVIDIA P40 GPU.The software in use were PyTorch 1.4, CUDA 10.1.In addition to these official baseline models转载 2020-06-09 13:36:49 · 1525 阅读 · 1 评论 -
self-attention---transformer
attention 方法![在这里插入图片描述](https://img-blog.csdnimg.cn/20200602153257394.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDUyMzA2Mg==,size_16,color_FFFFFF,t_7局部与其他局部的相关性的得分,得分越高颜色越深,最后提取出原创 2020-06-02 15:57:32 · 128 阅读 · 0 评论 -
reid数据集
https://blog.csdn.net/qiuchangyong/article/details/82219775 最近一段时间在做行人重识别方向的研究,行人重识别(Person Re-Identification)作为图像识别领域的一个分支,在实际生活中具有极其重要的意义。目前,城市里的用于公共治安领域的摄像头已经大量部署,几乎到了几十米到几百米一个覆盖的程度,尽管如此,不同的摄像头之间仍然存在无法覆盖的区域。行原创 2020-06-01 09:52:48 · 3838 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 · 380 阅读 · 0 评论 -
wanganji学长研究序列 triplet loss
ieee发表的文章https://www.sues.edu.cn/dd/b7/c82a187831/page.htmdomain adaptive[PDF] Analysis of representations for domain adaptation三元损失https://www.cnblogs.com/Alex0111/p/8492471.htmlTriplet loss通常是在个体级别的细粒度识别上使用,传统的分类是花鸟狗的大类别的识别,但是有些需求是要精确到个体级别,比如精确到哪个原创 2020-05-29 10:41:54 · 398 阅读 · 0 评论 -
SPreid: semantic parsing reid 语义解析reid
论文地址GitHub代码Introduction目前大部分的Person ReID方法都开始集中于提取更加具有表征能力的局部特征辅助全局特征用于行人检索。这篇文章是CVPR2018中关于Person ReID的一篇,文章的主体思路就是part-base的方法,但是跟大部分part-base不一样的地方在于本文使用了行人分割支路的输出作为mask,然后对人体的各部件进行局部特征提取。这种方法很直观的就...转载 2020-05-28 10:36:11 · 467 阅读 · 0 评论 -
bag of tricks: BN、center loss、余弦距离vs欧式
1 BN neck: batch normal after global pooling网络global pooling得到的feature是在欧式空间里的,我们直接连接triplet loss,我们把这个feature记作 [公式] 。然后这个feature经过一个BN层得到 [公式] ,经过BN层的归一化之后, batch里面[公式] 的各个维度都被拉到差不多,最后近似地在超球面附近分布。当然不是严格意义上的,只是近似地而已。经过L2规范化/标准化后才在模=1的超球面上当然也可以尝试一下直接用L2原创 2020-05-28 10:20:26 · 512 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 · 717 阅读 · 0 评论