一只菟葵的博客

解决报错：反向传播梯度计算过程中的错误Pytorch - RuntimeError: Trying to backward through the graph a second time, but the buffers have already been freed

解决报错：关于loss反向传播RuntimeError: grad can be implicitly created only for scalar outputs

解决报错：RuntimeError: Function 'SqrtBackward0' returned nan values in its 0th output

解决报错：RuntimeError: Expected to have finished reduction in the prior iteration before starting a new

解决报错：vim打开文件提示：Found a swap file by the name xxxxx

解决警告：多卡DDP分布式训练报错Warning: find_unused_parameters=True was specified in DDP constructor, but did not find any unused parameters in the forward pass. This flag results in an extra traversal of the autograd graph every iteration, which can adversely affect

解决报错：UnicodeDecodeError: ‘utf-8' codec can't decode byte 0xba in position 5852: invalid start byte……

主要介绍TCP协议的三次握手、四次挥手，简要介绍UDP协议、TCP与UDP的异同点……

本文介绍了如何从零开始搭建一个属于自己的docker容器，并简要介绍了集群如何提交作业以及ssh连接的使用方法。

本文简要记录如何将一个本地项目通过SSH远程连接的方式，上传到GitHub仓库中，实现项目的保存备份。

步态识别明显受到各种因素的影响，如观察角度、衣着变化等因素。本文提出了一种分组监督的DRL方法，以掌握对这些因素不变的特征。首先，通过一个编码器-解码器框架将每个序列明确地分解为姿势、步态、外观和视图特征。为了确保特征的适应性和独立性，特别利用了一个分解交换模块，根据特征属性进行了一系列的交换操作。此外，为了提高特征的实用性和有效性，还在特征分解后专门使用了分解聚合模块。最后，聚合的姿势、步态和外观特征被串联起来用于步态识别。使用相关数据集进行的实验，验证了该方法比其他DRL步态识别方法能取得更突出的效果。

本文提出了一个新的端到端步态识别框架，称为GaitEdge，可以解决跨域情况下的识别性能下降问题。具体来说，作者设计了一个步态合成模块（Gait Synthesis），用通过形态学算法得到的可调整的边缘掩盖固定的身体。此外，还提出了步态可调整模块（GaitAlign），以解决由上游行人检测任务引起的身体位置抖动问题。作者在CASIA-B和新建立的TTG-200数据集上进行实验，结果表明GaitEdge明显优于以前的方法，可以有效地阻断RGB噪声，是一种更实用的端到端方法。

本文提出了一个名为GQAN的模型，旨在提高基于剪影的步态识别的可解释性，它试图通过FQBlock和PQBlock两个模块来评估每个剪影和每个部分的识别质量。具体来说，FQBlock以挤压和激发的方式工作，重新校准每个剪影的特征，并将所有通道的分数作为帧质量指标加入。PQBlock为每个部分预测一个分数，以计算probe和gallery之间的加权距离。提出了一个PQLoss使GQAN只使用序列级的身份索引值来进行训练。最终，GQAN在CASIA-B和OU-MVLP的所有行走条件下取得了非常有竞争力的识别性能。

本文首先用拉格朗日方程对人类的行走过程进行建模，并说明了二阶运动信息对于区分相似步态外观是十分必要的。基于这一结论，作者解释了为什么使用3D CNN能够取得更好地性能，并提出了一个新的二阶运动提取模块。此外，作者提出了一个轻量级的视角嵌入模块，以减少因视角变化引起的类内误差。最后作者期望拉格朗日步态识别框架能够为其他领域的运动分析提供新思路。

光流（optical flow）是空间运动物体在成像平面上的像素运动的瞬时速度。通常将一个描述点的瞬时速度的二维矢量称为光流矢量。空间中的运动场转移到图像上就表示为光流场（optical flow field）。1. 像素亮度恒定不变同一像素点在不同帧中的亮度是不变的，这是光流法使用的基本假定（所有光流法及其变种都必须满足），从而可以得到2.2中的约束方程。2. 时间连续/运动很微小时间的变化不会引起目标位置的剧烈变化，即相邻帧之间的位移很小。

作者提出了一种基于卷积神经网络技术的模型，提取时空特征进行分类。在不同数据集的实验中，这种表示方法的准确率很高，指出了CNN在步态识别方面的巨大潜力。此外，由于少量的变异和小规模的数据库，过度拟合是一个潜在的问题。除了更好的硬件和更大的网络结构可以提高性能外，作者期待一个有更多情况更大规模的数据集的出现。使用包括成千上万个在行走行为和外观上有很大差异的主体的数据集，可以进一步提高性能，减少过度拟合。

室外的步态识别面临着巨大的挑战，如极端视角变化、人体遮挡和环境复杂性。因为人体的三维视角和形状等关键信息丢失了，使用二维剪影或骨架的方法会失效。因此，本文提出了一个基于SMPL模型的三维框架（SMPLGait），这是第一个利用密集三维表示方法在室外进行步态识别的模型。为了促进研究，作者建立了第一个大规模的三维步态识别数据集（Gait3D），该数据集提供了不同的步态表征，包括3D网格、3D SMPLs、3D姿势、2D剪影，以及4,000个对象的25,000个步态序列，以期能够为研究人员提供步态识别的新思路。

本文提出了一种基于多时间尺度3D CNN的新型步态识别方法。通过梳理大小时间尺度的时空特性，MT3D可以更好地提取步态序列剪影的信息。在基准数据集上的实验表明，所提出的方法已经取得了最先进的性能，且MT3D框架对复杂条件更加稳健。在未来，我们将探索如何在样本少的条件下提高步态识别的性能。

本文提出了一个新的步态识别框架，基于三维卷积产生具有判别力的特征表示。首先，为了提取更全面的步态信息，作者提出了一个全局和局部特征提取器（GLFE）来提取稳定的步态特征。其次，为了利用更多的信息，作者引入了局部时间聚合模块（LTA）来取代传统的空间聚合模块。此外，作者还引入了广义均值池化层（GeM）来自适应地聚合空间信息，提高特征映射的性能。在公共数据集上的实验结果验证了识别框架的有效性。

在本文中，作者提出了一个新的观点，即由于人体在行走过程中的视觉外观和运动模式不同，人体的每个部分都需要有自己的时空模型。因此，我们提出了GaitPart，它包括由FConv组成的帧级部位特征提取器和由几个并行的MCM组成。这两部分的核心目标是加强部分级特征的细粒度学习，并分别提取局部短距离的时空表达。最后，在著名的公共数据库CASIA-B和OU-MVLP上进行的实验证明了GaitPart以及其所有模块的优越性。