reid工程中的小trick

最新推荐文章于 2025-07-12 17:03:32 发布
最新推荐文章于 2025-07-12 17:03:32 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
Person Re-Identification（ReID行人重识别）
nakaizura
08-22 6074
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、.
RFID技术中的915MHz REID电子标签的协议分析
11-13
RFID技术的标准主要涉及标识编码规范、操作协议及应用系统接口规范等多个部分。其中标识编码规范 包括标识长度、编码方法等；操作协议包括空中接口、命令集合、操作流程等规范。...　作为REID产品在UHF频段上的标准
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 1322
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...
目标检测中的性能提升方法综述
Activewaste
10-31 6788
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 8609
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...
基于YOLOv8+度量学习ReID实现相机跨镜头人脸追踪系统python源码.zip
08-22
基于YOLOv8+度量学习ReID实现相机跨镜头人脸追踪系统python源码.zip 项目旨在通过多个摄像头监控网络中对特定人脸进行连续追踪，即使人脸在多个摄像头之间移动或遮挡也能保持追踪。这个项目结合了目标检测（YOLOv8）...
ReID部署-基于TensorRT部署YOLOv8+DeepSort+ReID实现行人重识别算法-附项目源码+效果展示+流程教程
10-20
在当前的计算机视觉领域中，行人重识别（Re-Identification，简称ReID）是一个重要且富有挑战性的任务，它主要应用于安防监控、人流量统计、智能零售等多个场景。ReID的核心目标是通过对行人图像进行特征提取和比对...
RFID技术中的Type A型915MHz REID读写器编码的FPGA设计与实现
11-13
在915MHz频段的RFID系统中，Type A型标准是一种常见的协议，适用于低功耗、低成本的应用场景。本篇文章主要探讨的是如何在FPGA（Field-Programmable Gate Array）上实现Type A型915MHz RFID读写器的编码。 FPGA是一...
Single-module person-reid（单模态ReID）论文.rar
05-13
单模态行人重识别（Person-ReID）是计算机视觉领域中的一个重要研究方向，它主要解决在不同摄像头视角下同一行人身份的识别问题。这个压缩包包含2015年至2020年间部分关于单模态ReID的学术论文，为深入理解与研究该...
【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）
小白一枚～
07-08 851
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
从0开始学习计算机视觉--Day07--神经网络
Chef_Chen的博客
07-06 403
当我们输入的变量是一个比较大的向量（比如有4096项），函数是求返回输入的最大值，要求的权重矩阵的梯度就是4096 * 4096的大小，而实际上我们的输入往往都不只有一个向量，那如果向量有一百个的话，是否就意味着要求的矩阵达到了409600 * 409600的大小呢？
模型训练与部署注意事项篇---resize
道阻且长，行则将至。
07-12 555
图像大小对YOLOv系列模型性能的影响主要体现在三个方面：1）训练与推理尺寸需保持基准一致性（如640x640），以确保特征匹配；2）尺寸选择需权衡目标尺度、硬件算力和数据集特性，小目标检测宜用大尺寸；3）推理时可灵活调整尺寸（需为32的整数倍），但偏离训练尺寸会导致精度下降或速度变化。关键原则是保持尺寸兼容性，根据实际需求在精度与速度间取得平衡。
Python----目标检测（使用YOLOV8网络训练人脸）
weixin_64110589的博客
07-11 1056
本文介绍了YOLOv8模型的安装、训练和使用方法。主要内容包括：1. 通过pip、conda或Docker安装Ultralytics YOLOv8的步骤；2. 数据集目录结构配置要求；3. 训练命令示例及参数说明，涵盖模型、数据路径、训练周期等核心设置；4. 详细参数配置表，包含batch大小、图像尺寸、优化器等30多项训练参数；5. 数据增强技术说明，如色调调整、马赛克增强等超参数设置。文档提供了完整的YOLOv8训练指南，帮助用户快速上手目标检测模型的开发与应用。
视觉稳像技术在视频直播播放中的演进与实践
大牛直播SDK
07-09 1010
本文探讨了视频稳像技术在移动端和边缘端视觉应用中的重要性，系统介绍了稳像处理的核心原理（运动估计、平滑、重建）及其在实时系统中的挑战（延迟、算力、数据链路等）。重点解析了大牛直播SDK提供的YUV/RGB数据回调机制，该接口为开发者构建自定义稳像算法提供了灵活支持，可实现播放逻辑与图像处理的模块化解耦。文章指出，结合SDK底层优化能力，开发者能快速部署高效稳像方案，在安防监控、移动直播等场景中实现低延迟、高质量的图像稳定处理，提升视频分析和观看体验。
《目标检测模块实践手册：从原理到落地的尝试与分享》第一期
最新发布
weixin_64607985的博客
07-12 336
《目标检测模块实践手册》系列首篇介绍了目标检测任务的基本流程和核心模块。文章以"实践记录者"角度，分享模块应用经验而非权威结论，重点解析了Backbone（特征提取）、Neck（特征融合）、Head（目标预测）和损失函数四大模块的工作原理及简化代码实现，并探讨了模块替换在不同场景下的优化效果（如轻量化Backbone可提升30%+FPS）。后续将分模块深入讲解原理、实测数据和工程踩坑经验，包括轻量化卷积、FPN改进、注意力机制等专题，助力开发者灵活组合模块适配实际需求。
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