reid工程中的小trick

最新推荐文章于 2025-07-08 17:34:48 发布
最新推荐文章于 2025-07-08 17:34:48 发布
阅读量162 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Reid 文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Json111/article/details/120139144
本文探讨了如何通过将ResNet的最后一层block的步长设为1来扩大特征映射，并结合业务场景应用Randomerase进行数据增强。同时，介绍了GAN生成图像与LabelSmooth在扩充数据集中的作用，以及增大batch size对TriHard损失效率的影响。最后，讨论了label noise和长尾效应的普遍挑战。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • 将ResNet的最后一个block的stride从2改为1，增大feature map
  • 针对业务场景使用合适的augmentation
  • Random erase可以增强泛化能力
  • 用GAN造图配合label smooth可以扩充数据
  • 增大batchsize可以提高TriHard损失的效率
  • label noise和长尾效应是普遍存在的
ReID基础 | ReID工程中的一些小trick
滨哥v5的博客
04-13 520
ReID
[深度学习] fast-reid入门教程
热门推荐
You and Me
01-14 2万+
fast-reid入门教程 ReID，全拼为Re-identification，目的是利用各种智能算法在图像数据库中找到与要搜索的目标相似的对象。ReID是图像检索的一个子任务，本质上是图像检索而不是图像分类。fast-reid是一个强悍的目标重识别Reid开源库，由京东开源管理。本文主要是介绍fast-reid的使用，随着技术的发展，对于cv从业人员有必要了解不同智能算法技术的应用。而且ReID是相对下游的任务，了解ReID的相关技术应用能学到很多东西。 文章目录fast-reid入门教程1 fast-r
【ReID论文阅读（二）】（2019CVPR）Bag of Tricks and a Strong Baseline for Deep Person
weixin_40194996的博客
04-18 1302
前言 第二篇：行人reid的tricks和一个strong baseline。 这才正式进入到了reid的学习。 （不对的地方请大佬指导啊！！！） 摘要 这篇文章旨在探索一个简单高效的baseline。最近很多的文章都达到了很好的效果，但是在论文或者源码中，都很少提到训练技巧。作者收集和验证了这些高效的训练技巧，并整合到了一起，所提模型仅仅利用global特征就达到了94.5% rank-1和85...
Person Re-Identification（ReID行人重识别）
nakaizura
08-22 6052
ReID？ ReID是图像检索的子任务，它主要的目的是：利用计算机视觉技术对特定行人进行跨视域匹配和检索。所谓跨视域即是图片来自于不同的摄像头，这样可以用于智能视频监控（如无人超市）、刑侦（追捕嫌疑人）、交管（追踪车辆等）等等应用场景。如上图，需要检索到同一个人（查询图像query）在各个摄像头下图片集（候选行人库gallery）的相关图片。 困难点 困难点主要在于ReID任务的跨视域特性有： 摄像头分辨率不同 拍摄角度不一 致 光照条件不同 背景变化大 人体属于非刚性目标，外观会因姿态、遮挡、光照、.
目标检测中的性能提升方法综述
Activewaste
10-31 6779
文章目录一、多尺度检测1.什么是多尺度检测？2.降低下采样率与空洞卷积3.多尺度训练4.优化Anchor尺寸训练5.深层与浅层特征融合6.SNIP，尺度归一化7.TridentNet,三叉戟网络二、目标检测中的样本不均衡问题1.什么是目标检测样本不均衡问题2.OHEM,在线难例挖掘3.S-OHEM，基于LOSS分布采样的在线困难样本挖掘4.Focal Loss :专注难样本5. Generalized Focal Loss6.GHM，损失函数梯度均衡化机制总结三、目标检测优化使用的Trick1.数据预处理技
centerX: 用中国特色社会主义的方式打开centernet
qq_29462849的博客
07-05 769
作者丨CPFLAME@知乎来源丨https://zhuanlan.zhihu.com/p/323814368编辑丨极市平台导读作者结合表情包抛开传统PR稿的正经，用幽默风趣的语言阐述了自己重构的centernet的代码，采用中国特色社会主义的核心思想去解释centerX的trick。centerX总共分为五个模块讲述，给大家提供了一个可行性的思路。太长不看版笔者重构了一...
一文讲透鱼眼相机畸变矫正，及目标检测项目应用
3D视觉工坊
09-03 8604
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达1个人介绍大家好，我是潘大强。目前博士毕业4年，主要从事智能安防行业。之前也分享过AI从业的一些心得，个人介绍链接。应大白的邀请，从A...
AAAI'22 | 中稿的论文网友找出致命漏洞？
zenRRan的博客
12-10 311
每天给你送来NLP技术干货！本文由新智元报道 ，原文地址https://mp.weixin.qq.com/s/vCdGpLsGMpDphvYpB21lbA编辑：好困 LRS【导读】AAAI...
终极盘点：计算机视觉资源汇总：CVPR、ECCV、ICCV、ECCV、AAAI、ICML等顶会论文汇总解读 / 代码下载（1987-2020）、技术视频、数据集等
极市平台的技术博客
12-25 2715
（一）计算机视觉顶会资源合集 此汇总不仅包含最新的CVPR/ECCV2020论文分方向整理，还有历年的CVPR、ECCV、ICCV、ECCV、AAAI、ICML等多个顶会以及Valse等技术大会的各类资源。 CVPR2020 最全整理：论文分类/汇总/下载 / 代码 / 项目 / 论文解读 CVPR2019 | 论文分类汇总/下载 / 代码 / 项目 / 论文解读 CVPR 2018 论文解读集锦 CVPR 2017 论文解读集锦 2000-2020 年历届 CVPR 最佳论文汇总 ECCV2020 最全
部署高效及泛化能力强的Osnet论文解读
缘分天空的专栏
12-22 1019
Building Computationally Efficient and Well-Generalizing Person Re-Identification Models with Metric Learning 论文解读，先上论文链接 https://arxiv.org/pdf/2003.07618.pdf​arxiv.org 这篇文章可以看做是对osnet的改进，简单回顾下osnet K. Zhou, Y. Yang, A. Cavallaro, and T. Xiang, “Omni-s
经典825篇英文IT文章及其网址推荐 (公号回复“英文IT文章”可下载PDF典藏版资料)
数据简化DataSimp社区
08-01 8739
经典825篇英文IT文章及其网址推荐 (公号回复“英文IT文章”可下载PDF典藏版资料) 原创： 秦陇纪 数据简化DataSimp 今天 数据简化DataSimp导读：A.2016年英文IT文章列表；B.640篇英文IT文章列表；C.数据简化DataSimp公众号。（文章列表里的标题文字带链接，按“ctrl+点击标题”可跳转浏览器，微信限制外链，请下载PDF使用链接）。如有错误或疏漏(包括...
【保姆级目标检测教程】Ubuntu 20.04 部署 YOLOv13 全流程（附训练/推理代码）
最新发布
小白一枚～
07-08 412
手把手教你在 Ubuntu 20.04 上部署 YOLOv13，实现环境配置、数据集准备、模型训练与推理全流程操作
前端计算机视觉：使用 OpenCV.js 在浏览器中实现图像处理
candy的博客
07-01 1084
OpenCV（Open Source Computer Vision Library）是一个强大的计算机视觉库，广泛应用于图像和视频处理领域。传统上，OpenCV 主要在后端使用 Python 或 C++ 等语言。但随着 WebAssembly (Wasm) 技术的发展，OpenCV 也有了 JavaScript 版本 ——OpenCV.js，它可以直接在浏览器中高效运行，为前端开发者提供了前所未有的计算机视觉能力。
目标检测在国防和政府的应用实例
MzKyle的博客
07-01 1047
目标检测技术在国防与政府领域已覆盖军事侦察、精确打击、公共安全、应急管理等核心场景，未来将向智能化、自主化、多模态融合方向深度发展，同时需平衡技术创新与伦理规范的关系。
opencv学习笔记3：边缘检测（Robert、Sobel算子）
zhang_si_hang的博客
07-04 1085
本文系统介绍了边缘检测的基本概念及常用算子实现方法。重点分析了Robert和Sobel两种经典算子：Robert算子采用2×2交叉差分核检测45°方向边缘，计算简单但对噪声敏感；Sobel算子结合3×3高斯平滑与差分，具有更好的抗噪性。详细阐述了两种算子的卷积核设计原理、梯度计算方法（包括水平/垂直方向处理、幅值合成等），并提供了OpenCV实现代码及模拟实现方案。针对图像处理中的数据精度问题，特别讨论了float32与uint8类型转换的注意事项。最后通过均值滤波模拟实现验证了卷积操作的通用性。
OpenCV中DPM（Deformable Part Model）目标检测类cv::dpm::DPMDetector
jndingxin的专栏
07-04 337
OpenCV 中用于基于可变形部件模型（DPM） 的目标检测器，主要用于行人、人脸等目标的检测。它是一种传统的基于特征的目标检测方法，不依赖深度学习，而是使用 HOG 特征 + 部件模型来进行检测。
分水岭算法：图像分割的浸水原理
qq_51570094的博客
07-08 200
分水岭算法是一种基于拓扑地貌思想的图像分割方法。算法将图像灰度值视为海拔高度，通过模拟浸水过程提取边界：局部极小值对应集水盆（区域内部），分水岭线则作为区域边界。关键步骤包括梯度计算预处理、标记控制和分水岭变换。算法实现中，首先进行灰度转换、阈值分割和形态学处理，然后通过距离变换确定前景区域，最后应用分水岭函数标记边界。该算法能有效分离粘连对象，但需注意噪声控制和标记准确性。
PyTorch实战（14）——条件生成对抗网络（conditional GAN，cGAN）
盼小辉丶的博客
07-04 1346
本文介绍了条件生成对抗网络（cGAN）的原理与实践应用。首先对比了两种控制生成图像特征的方法：潜空间向量选择和cGAN标签控制，分析了各自的优缺点。随后详细讲解了cGAN的构建过程，包括带标签扩展的评论家网络和生成器网络设计，以及使用Wasserstein距离和梯度惩罚的训练策略。通过在eyeglasses数据集训练cGAN，展示了如何实现标签条件控制生成。进一步探讨了结合潜空间向量运算和标签插值的方法，实现了对多个特征（如性别和眼镜）的联合控制。
REID中rerank
12-31
### REID 中重新排序 (Re-Ranking) 方法 #### 1. Re-Ranking 基本概念 Re-Ranking 是指在初次检索之后，通过更复杂的模型或算法对初步得到的结果进行二次排序的过程。这有助于提升最终检索结果的质量和准确性。 #### 2. Re-Ranking 技术原理 一种常见的 Re-Ranking 方法基于 k-reciprocal nearest neighbors (kNN)[^2]。该方法不仅考虑查询样本与其最近邻之间的关系，还引入了更高阶的关系——即这些邻居自身的邻居情况。具体来说： - 对于给定的测试图像 q 和数据库中的每一个候选匹配项 g_i ，计算两者间的相似度得分 s(q, gi). - 找到前 K 名最接近 g_i 的其他图片作为其近邻 N(gi)，并从中筛选出那些也将 g_i 视作自己 Top-K 近邻的对象 R(gi). - 计算加权平均分数 w_avg = sum(s(q,n))/|R(gi)| ,其中 n 属于 R(gi). 这种方法能够有效减少误报率，并且提高了跨摄像头场景下的行人重识别性能. ```python def re_ranking(query_features, gallery_features, top_k=60): """ :param query_features: 查询集特征向量 numpy array 形状为(num_query_samples, feature_dim) :param gallery_features: 库内所有样本特征向量 numpy array 形状为(num_gallery_samples, feature_dim) :return: 经过再排名后的索引列表 list of int 长度等于 num_gallery_samples """ from sklearn.metrics.pairwise import cosine_similarity # 获取原始相似度矩阵 sim_matrix = cosine_similarity(query_features, gallery_features) final_ranks = [] for i in range(len(sim_matrix)): original_order = np.argsort(-sim_matrix[i])[:top_k] reciprocal_neighbors = set() for j in original_order: temp_sim_vector = cosine_similarity([gallery_features[j]], gallery_features)[0] closest_to_j = np.argsort(-temp_sim_vector)[:top_k] if i in closest_to_j: reciprocal_neighbors.add(j) weighted_scores = [] for neighbor_index in reciprocal_neighbors: score_sum = 0. count = 0 for another_neighbor in reciprocal_neighbors: score_sum += sim_matrix[i][another_neighbor]*cosine_similarity( [gallery_features[neighbor_index]], [gallery_features[another_neighbor]])[0][0] count+=1 avg_score = score_sum / max(count, 1e-8) weighted_scores.append((avg_score, neighbor_index)) sorted_weighted_scores = sorted(weighted_scores, key=lambda x:x[0], reverse=True) refined_indices = [item[1] for item in sorted_weighted_scores][:top_k] full_list = list(original_order)+refined_indices unique_elements = [] seen = set() for element in full_list: if not element in seen: unique_elements.append(element) seen.add(element) final_ranks.extend(unique_elements) return final_ranks ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值