论文阅读: Interpretable and Generalizable Person Re-Identification with Query-Adaptive Convolution

最新推荐文章于 2024-03-21 20:13:29 发布
原创 最新推荐文章于 2024-03-21 20:13:29 发布 · 890 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #神经网络 #计算机视觉

ECCV2020文章提出可泛化行人重识别的“查询自适应卷积”和“时序提举”方法。“查询自适应卷积”关注中间特征图与class_memory匹配，提升模型对未知场景泛化能力。相比传统分类损失，该方法重点关注特征图像素级匹配，或可提升模型提取结构化特征能力。

ECCV2020的一篇文章, 关于可泛化行人重识别. 提出了"查询自适应卷积"和"时序提举". 其中"查询自适应卷积"方法比较新颖, 放弃了传统的对高层特征进行分类, 计算损失的方法; 转而关注中间的特征图对一个class_memory的匹配, 一次来提升模型对未知场景的泛化能力. “时序提举"不多介绍, 比较容易理解, 主要的思路是利用"同伴”, 来提升或者降低一个候选图片的置信度.
作者本人对论文的介绍

文章中的关键词

  • generalizable person re-id: 可泛化行人重识别
  • finding local corespondences: 查找局部联系
  • among different domains: 跨数据库, 跨场景
  • more generalizable than representation features to unseen scenarios, including unkown misalignment, pose of viewpoints changes: 对于未见场景, 不对齐, 姿态变化的泛化能力更强
  • 作者在论文介绍中讲的比较清楚, 使用了以下的关键理解:
    关于泛化性我们先从卷积讲起。卷积可以理解为一个模板匹配的过程，它的卷积核是模板，该模板既可以是预定义的，如传统的差分滤波用于边缘检测，也可以是学习得到的，如 CNN。卷积核通常是一个局部模板，卷积操作则是将该模板在全图滑动，得到的输出则是图像各处对该模板的匹配响应，大的响应则代表较好的局部匹配。因此，在深度卷积神经网络里，要学习的卷积核参数是很重要的，它决定了该网络要寻觅的是什么样的模式。然而，一旦在一个数据集上训练完成，CNN 的卷积核就是固定的，它只能代表对训练数据固化的记忆。如果应用场景跟训练场景不一样，CNN 学到的固定卷积核就有可能对没见过的图像模式（颜色、纹理等
最低0.47元/天 解锁文章
【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-14 1万+
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
【图神经网络论文整理】（一）—— Causal Attention for Interpretable and Generalizable Graph Classification：CAL
优快云 精品推荐
11-19 2399
本文介绍的论文是中科大王翔教授等人在KDD2022上发表的《Causal Attention for Interpretable and Generalizable Graph Classification》。作者强调了当前基于注意力和池化的GNN在图分类中的泛化问题，并且提出了一种新的用于图分类的因果注意力学习策略（CAL），使GNN在过滤掉捷径特征的同时利用因果特征，最后在合成数据集和真实数据集上的大量实验证明了CAL的有效性。一、背景。
paper reading(1)-Meta Batch-Instance Normalization for Generalizable Person Re-Identification
qq_41882866的博客
05-06 920
注：该文章取自CVPR2021 源码：https://github.com/bismex/MetaBIN Abstract 有监督的person re-id方法已经具有良好性能，但对于不可见的域，泛化能力较弱。 许多现有的方法采用instance normalization(实例正则化，消除风格)，但instance normalization会丢失关键的判别信息。 本文提出的MetaBIN方法main idea：通过元学习的pipeline预先模拟不成功的泛化场景（Under-style-normaliz
[行人重识别论文]Generalizable Person Re-Identification via Self-Supervised Batch Norm Test-Time Adaption
m0_59713773的博客
03-21 1052
在本文中，我们提出了一个可泛化重识别的BNTA框架，该框架在目标域上自适应地更新测试时刻的BN层，以纠正BN携带的训练偏差。设计了两个基于部分的SSL辅助任务，从未标记的目标样本中探索图像中包含结构和身份信息的目标分布。大量的实验表明了更新BN层对于提高泛化能力的有效性和潜力。在推理之前，我们的方法只需要花费1 f s的时间和数百张图库图像进行测试时间自适应，就可以在3个re - id数据集上取得最先进的结果。在未来的工作中，我们将研究如何联合更新BN和其他层，以进一步提高泛化能力。
[行人重识别论文阅读]DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations
zlsd21的博客
11-25 2601
论文地址 项目地址 本篇论文解析引自 1.论文摘要 1.提出利用有标签的合成数据集A和无标签的真实数据集B训练出能泛化到未知场景C的模型。 2.为了实现A+B->C，论文提出了一个新的方法DomainMix 2.DomainMix框架 1.该框架由基于聚类的动态训练数据集生成和域不变的行人再识别特征学习两部分组成。 2.动态训练数据集生成部分，我们设计了三个准则用于筛选聚类结果，由此动态生成可靠的训练集 3.在域不变的行人再识别特征学习部分我们分为训练前和训练时两个阶段。训练前对分类层动态的初始化，可
Generalizable Person Re-identification by Domain-Invariant Mapping Network(CVPR2019)阅读笔记
weixin_43876725的博客
03-13 1293
简介 现有的域泛化方法假设源域和目标域共享相同的标签控件，但是现有的meta学习模型假设目标域有着固定数量的类别，并且用源域中的数据去训练， 所以他们对于reID都有局限性，目标域中的人物类别是不同动态的 DIMN用于去学习人物图像与其身份分类器权重向量的映射关系，使用a singel shot产生一个分类器，一旦学习好，对于目标域，每个gallery图像将会被送入网络中产生特殊的线性身份分类器权...
CVPR2021 | Generalizable Person Re-identification with Relevance-aware Mixture of Experts
滨哥v5的博客
10-08 761
11111111
ECCV 2020 论文大盘点-人员重识别（ReID）篇
我爱计算机视觉
09-27 5036
本文盘点ECCV 2020 中所有与人员再识别（Person Re-Identification，ReID）相关的论文，总计 24 篇，其中两篇Oral 论文，15篇已经或者将开源代码。...
Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-ID
Joselynzhao
11-08 842
方法概述 学习通过基于记忆的多源元学习来生成未知领域的行人重识别。 1， 文章提出了一种多源域元学习框架，可以模仿域生成（DG）的训练-测试过程。 该方法增强了模型学习域无关表示并增强了泛化能力。 2， 文章在框架中配备了memory-based 模块，以非参数方式现实了身份损失，可以防止由传统参数方式导致的不稳定的优化。 3， 提出了MetaBN来生成各种元测试特征，这些特征可以直接注入到我们的元学习框架中，并得到进一步的改进。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架算法描述具体实现.
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
CVPR 2021 论文大盘点-人员重识别篇
OpenCV中文网
09-12 2643
关注公众号，发现CV技术之美本篇文章总结人员重识别相关论文，包含无监督人员重识别，基于视频、部分身体的行人重识别，可见光红外人员重识别，域泛化人员重识别，换装人员重识别，行人检索等等。共计...
CVPR 2022 部分行人重识别
qwj的博客
05-06 5532
转载自CVPR 2022【行人/车辆重识别】相关论文和代码（更新中...） - 知乎 Person Re-identification 1. Learning with Twin Noisy Labels for Visible-Infrared Person Re-Identification 2. Part-based Pseudo Label Refinement for Unsupervised Person Re-identification 3. Camera-Conditioned
ICML 2022 | 基于随机注意力机制的可解释可泛化图学习
Paper weekly
08-10 1512
©作者 | 谢彪单位 | 重庆大学研究方向 | 联邦学习、图神经网络论文标题：Interpretable and Generalizable Graph Learning via Stochastic Attention Mechanism论文链接：https://proceedings.mlr.press/v162/miao22a.html代码链接：https://gi...
Causal Attention论文详解
分享机器学习、深度学习、分布式计算、MLSys相关领域知识
10-17 9256
Causal Attention论文是一篇因果推断(causal inference)和注意力(attention)结合的一篇文章，主要用在视觉和文本结合的领域，如VQA(Visual Question Answering)视觉问答。 VQA(Visual Question Answering)视觉问答的一个基本流程如下，对输入图进行self-attn编程得到K和V的向量，从文本得到Q的向量进行Attn计算，得到填空的结果(riding)。这个过程可以看成是一个因果推断的过程.
ECCV2020 reid行人重识别论文指标比对说明
t20134297的博客
09-15 932
1Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification https://arxiv.org/pdf/2007.10315.pdf 源码：https://github.com/NVlabs/DG-Net-PP 2.Multiple Expert Brainstorming for Domain Adaptive Person Re-identificationhttps://arxiv.org...
ECCV 2020 REID 行人重识别论文汇总
t20134297的博客
07-31 3060
Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification https://arxiv.org/pdf/2007.10315.pdf Identity-Guided Human Semantic Parsing Learning for Person Re-Identificationhttps://arxiv.org/pdf/2007.13467.pdf Do Not Disturb Me: Pers...
CVPR 2018 行人重识别：Video Person Re-identification with Competitive Snippet-similarity Aggregation and..
Coder_XiaoHui的博客
07-19 3162
题目：Video Person Re-identification with Competitive Snippet-similarity Aggregation and Co-attentive Snippet Embedding 作者 : Dapeng Chen, Hongsheng Li, Tong Xiao（商汤） 1.解决的问题 Video Person Re-id ...
CVPR2019行人重识别、车辆重识别及行人图像生成论文汇总
weixin_42881607的博客
04-19 1万+
论文题目1、Joint Discriminative and Generative Learning for Person Re-identification. Zhedong Zheng; Xiaodong Yang; Zhiding Yu; Liang Zheng ; Yi Yang ; Jan KautzMotivation2、Unsupervised Person Re-identific...
Causal Attention for Interpretable and Generalizable Graph Classification,这篇文章的地址
最新发布
05-29
### Causal Attention for Interpretable and Generalizable Graph Classification Paper Location 关于文章《Causal Attention for Interpretable and Generalizable Graph Classification》的具体位置，可以通过以下几种方式找到该论文的地址或下载链接： 1. **学术搜索引擎**：可以使用Google Scholar、Semantic Scholar等学术搜索引擎，输入标题“Causal Attention for Interpretable and Generalizable Graph Classification”进行检索。这些平台通常会提供PDF下载链接或官方出版物页面[^5]。 2. **会议或期刊官网**：如果该论文已被特定会议（如NeurIPS、ICLR、CVPR）或期刊（如TPAMI、JMLR）接收，可以直接访问相关会议或期刊的官方网站，并在搜索栏中输入标题进行查找[^6]。 3. **作者主页**：许多研究者会在其个人主页上分享自己的论文。通过查找论文作者的姓名，访问其学术主页，可能会发现论文的预印本或正式版本[^7]。 4. **arXiv**：作为开放获取的预印本平台，arXiv是许多机器学习和深度学习论文的首发地。可以在arXiv网站上搜索标题，查看是否有对应的预印本版本[^8]。 以下是代码示例，展示如何通过Python脚本自动化搜索Google Scholar上的论文信息： ```python from scholarly import scholarly def search_paper(title): search_query = scholarly.search_pubs(title) result = next(search_query, None) if result: return result.bib['url'] else: return "Paper not found" title = "Causal Attention for Interpretable and Generalizable Graph Classification" paper_url = search_paper(title) print(f"Paper URL: {paper_url}") ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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