![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
小猪猪的深度学习之路
文章平均质量分 72
小猪猪爱吃饭
菜菜找不到工作啦,求大厂救济!!!
展开
-
Track to Detect and Segment: An Online Multi-Object Tracker
文章目录摘要摘要&wmsp;&e,sp;大多数在线多目标跟踪器在神经网络中独立执行目标检测,无需任何跟踪输入。在本文中,我们提出了一种新的在线联合检测和跟踪模型,TraDeS(TRAck-to-DEtect和Segment),利用跟踪线索来辅助端到端的检测。TraDeS根据代价成本以估计跟踪对象的偏移量,这使用了TraDeS根据成本量推断对象跟踪偏移量,该成本量用于传播以前的对象特征,以改进当前的对象检测和分割。交易的有效性和优势体现在4个数据集上,包括MOT(2D跟踪)、nuScen原创 2021-10-25 21:42:52 · 575 阅读 · 0 评论 -
Patches Are All You Need?
paper:https://openreview.net/forum?id=TVHS5Y4dNvMcode:https://github.com/tmp-iclr/convmixer名词解释:patch:因为transformer的输入是在backbone的feature map,可以视feature map的每一个像素均为原图的一块,也就是本文的patch。前言:作者很有个性,基本上没按八股格式写,而且非常的简洁,若看代码,会发现比论文还简洁,很容易看懂。另外本文是不是也证明了若使用大尺寸卷积+大原创 2021-10-23 11:53:00 · 1051 阅读 · 0 评论 -
ByteTrack: Multi-Object Tracking by Associating Every Detection Box
codepaper文章目录摘要1.引言3.BYTE4.ByteTrack摘要 多目标跟踪(MOT)旨在估计视频中目标的边界框和身份。大多数方法通过关联分数高于阈值的检测框来获得身份。检测分数低的对象,如:被遮挡的物体被简单地扔掉,这带来了不可忽略的真实物体丢失(即假阴)和轨迹的碎片化(即导致idsw升高)。为了解决这一问题,我们提出了一种简单、有效和通用的关联方法,即通过关联每个检测框而不是仅关联高分检测框来进行跟踪。对于低分数检测框,我们利用它们与轨迹的相似性来恢复真实对象并过滤掉背景检测。当应原创 2021-10-19 20:30:08 · 963 阅读 · 1 评论 -
TransTrack的阅读笔记+翻译
TransTrack: Multiple-Object Tracking with Transformer标志说明:红色的均为备注,蓝色为重点。摘要 多目标跟踪(MOT)主要由复杂的多步检测跟踪算法控制,该算法分别执行对象检测,特征提取和时间关联。 单对象跟踪(SOT)中的查询键(query-Key)机制通过前一帧的对象特征跟踪当前帧的对象,具有建立简单的联合检测和跟踪MOT范式的巨大潜力。 但是,由于查询键方法无法检测到新出现的对象,因此很少进行研究。sot的孪生难以监测新出现的对象,这就导致为什原创 2021-03-15 14:26:45 · 1459 阅读 · 2 评论 -
pytorh-transformer
torch.nn.Transformertorch.nn.Transformer(d_model: int = 512, nhead: int = 8, num_encoder_layers: int = 6, num_decoder_layers: int = 6, dim_feedforward: int = 2048, dropout: float = 0.1, activation: str = 'relu', custom_encoder: Optional[Any] = None, custo原创 2021-02-05 17:35:02 · 238 阅读 · 0 评论 -
小猪猪的深度学习之路-4-函数的学习
torch.rsqrt(input, *, out=None) → Tensorpytorch的resnet的一个参数replace_stride_with_dilation 决定是否使用膨胀卷积pytorch的BatchNorm2dbatchnorma2d的公式为FrozenBatchNorm2d)就是将所有的参数进行固定,令bias与均值均为0,令权重与方差均为1IntermediateLayerGetter(model,return_layers)返回对应网络的所输出的结果如图所示:原创 2021-02-05 16:55:35 · 518 阅读 · 0 评论 -
小猪猪的深度学习之路-3-pytorch的一些参数的笔记
torch.flatten(start_dim, end_dim):默认是将一个tensor拉成一维,例如a.shape=[2,3,4,5,6],a.flatten().shape即为[23456] , a.flatten(2,4).shape即为[2,3,456]torch.nn.Transformertorch.nn.Transformer(d_model=512, nhead=8, num_encoder_layers=6, num_decoder_layers=6, dim_feedfo原创 2021-02-04 15:27:20 · 293 阅读 · 0 评论 -
小猪猪的深度学习之路-2-多显卡加载
DataParallelmodel=torch.nn.DataParallel(model,device_ids=显卡id)#显卡id格式为listmodel.to(torch.device(“cuda:0”)device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)inputs, labels = inputs.to(device), labels.to(device)optimizer = nn.DataPar原创 2021-02-04 14:49:52 · 152 阅读 · 0 评论 -
深度学习之路-1-数据集的加载
将标签与数据集进行封装(必须有__getitem__、len)__getitem__用于迭代出对象,__len__用于获取长度使用torch.utils.data.DataLoader进行读取torch.utils.data.DataLoader(dataset: torch.utils.data.dataset.Dataset[T_co], batch_size: Optional[int] = 1, shuffle: bool = False, sampler:Optional[torc原创 2021-02-04 14:47:39 · 310 阅读 · 0 评论