- 博客(26)
- 收藏
- 关注
RSS订阅原创 车辆重识别代码笔记12.20
返回一个生成器，生成每个参数的名称和相应的参数值。这对于查看和修改特定参数的可训练状态非常有用。通过这种方式，你可以查看和更改每个参数的可训练属性。用于获取模型参数的名称和参数本身，可以更改参数的。
2024-12-20 12:23:01
277
原创 车辆重识别代码笔记12.19
和标准ResNet的主要区别在于引入了，这一设计通过结合和的优点，提高了网络在跨域任务、迁移学习、无监督学习和风格迁移等方面的表现。标准ResNet更适合传统的图像分类任务，而更适合在多样化或复杂环境中进行训练，尤其在不同的视觉领域间迁移时具有优势。
2024-12-19 14:45:14
563
原创 车辆重识别代码笔记12.18
适用于图像生成、风格迁移等需要保留每个样本独特性的任务，因为它不会引入批次间的相关性，更适合处理单个样本或小批量的情况。：批量归一化考虑了整个批次的统计信息，因此具有一定的批次间相关性，能够加速训练收敛、稳定梯度流动。方法会返回一个新的张量，这个张量的内存是连续的。是 PyTorch 中一个常用的张量操作，它的作用是确保一个张量在内存中是。使用每个通道上的均值和标准差，对该样本中的每个通道内的元素进行归一化。会创建一个新的副本，确保这个新张量在内存中是连续的。：如果原始张量是一个不连续的张量，
2024-12-18 14:51:12
268
原创 车辆重识别代码笔记12.17
在dataloader按照batch进行取数据的时候, 是取出大小等同于batch size的index列表，然后将列表列表中的index输入到dataset的getitem()函数中，取出该index对应的数据，最后， 对每个index对应的数据进行堆叠，就形成了一个batch的数据。dataloader为数据提供一个迭代器，把数据分批输入网络的进行训练。
2024-12-17 10:55:30
200
原创 车辆重识别（开题报告笔记）
在开放集数据集上防止过拟合尤为重要，因为它能增强模型对未知样本的识别、提高对测试集的泛化能力以及处理数据分布变化的能力。这对于重识别任务、目标检测和开放世界分类等应用中的模型鲁棒性和适应性至关重要。标签平滑通过对标签的分布进行调整，引入一定的“不确定性”来提升模型的鲁棒性，减少过拟合倾向。这种方法让模型在训练中不过度依赖于训练数据的标签，而是学习到更具泛化能力的特征，因此能有效地提升测试集上的表现。
2024-11-19 22:32:19
801
原创 车辆重识别笔记11.15
区别：每个通道在图像的不同层级提取不同的特征，低级通道可能代表边缘、纹理等简单特征，高级通道则可能代表物体的形状、部件或语义信息。联系：尽管每个通道提取不同类型的特征，但它们通过卷积操作共享相同的空间布局，并且这些特征是相互联系、相辅相成的，共同帮助网络对图像进行全面的分析和理解。通过这种多通道特征的设计和组合，卷积神经网络能够在不同层级提取到图像的不同信息，从而实现复杂的视觉任务，如分类、检测和分割等。
2024-11-15 14:56:42
346
原创 车辆重识别内容整理
在现代目标检测模型中，许多无锚框（anchor-free）方法通过自适应学习来实现空间注意力，而不需要手动定义锚框。像CenterNetFCOSCornerNetDETR等模型，使用了空间注意力机制来自动关注图像中的关键区域，并通过全局或局部的上下文信息来增强特征学习，这使得它们能够在各种视觉任务中提供更好的性能。这些方法的一个显著优点是减少了锚框设计的复杂性，并且更加灵活、鲁棒，适应性强。
2024-11-14 14:59:03
1104
原创 车辆重识别笔记11.12
构造函数的主要作用是确保每个对象在创建时都有一个有效的状态，并为对象的属性设置初始值。它也可以用来执行一些必要的初始化工作，比如连接数据库、加载配置文件等。构造函数帮助类的实例化过程变得更加灵活和可控。
2024-11-12 20:04:27
448
原创 车辆重识别笔记11.9
在深度学习中，特别是图像处理和目标识别任务中，“空间内约束”（intra-space constraints）和“跨空间约束”（inter-space constraints）是一种常见的约束分类方式，用于帮助模型在不同的场景中更好地学习特征并进行识别。其目的是在不同空间（例如不同的摄像头视角、不同的环境）下保持对象特征的一致性，从而实现跨域或跨视角的识别。：网络的不同层提取不同层次的特征，浅层通常捕捉低级特征（如边缘、纹理），而深层提取高级特征（如物体轮廓或语义信息），这些特征所在的空间因此也不同。
2024-11-11 20:46:20
812
原创 多尺度交换的双胞胎对比搜索精读笔记11.07
总结起来，ReID任务是开放集的，它的挑战在于如何在验证阶段处理训练集未见过的类别，而标准分类任务则是封闭集的，验证集和训练集的类别是相同的。，模型的表现可以通过在验证集上看到的类别来衡量。这种设置是封闭集的，即验证集中的类别与训练集中的类别完全一致。具体来说，训练集中的类别（例如，训练集中的不同车辆或行人）可能与验证集中的类别不完全重合。：而在标准的分类任务（比如图像分类）中，训练集和验证集通常是。，因为我们经常会遇到测试样本中包含新的、未知的类别。在训练集和验证集之间的类别分布上有本质的区别。
2024-11-07 11:32:25
159
原创 车辆重识别笔记10.31
TCM 会生成正样本对（相似的孪生样本）和负样本对（不相似的样本对），并通过对比损失（例如 InfoNCE 损失）来优化模型，使得相似样本更接近、不相似样本更远离。比如视角变化、颜色变化等，这样能让模型学到不同的视角和不同光照条件下的样本表示，从而提升模型的泛化能力。：MSI 在计算机视觉任务中表现尤为出色，特别是在细粒度的图像分类、目标检测和图像分割等场景中，能。：在传统的对比学习中，样本的正负对是通过单一的视角来定义的。这种机制的核心思想是。，并在深度学习的对比学习框架中有助于提升模型的表示能力。
2024-10-31 20:54:33
335
原创 车辆重识别笔记10.26
正则化关注减少模型复杂度和防止过拟合，使模型更具泛化能力。归一化关注数据或层的输入分布的调整，使训练过程更稳定且收敛更快。两者可以一起使用，以提高深度学习模型的性能和鲁棒性。
2024-10-26 15:14:59
326
原创 车辆重识别笔记10.25
分类任务的目标是将输入样本分配到一个或多个预定义的类别中，分类损失主要用于衡量模型的分类准确性。例如，人脸识别模型可以在特征空间上应用度量损失（如三元损失）来提高特征的区分性，同时在分类层使用交叉熵损失提高分类性能。**总结：**分类损失适用于传统分类任务，而度量损失适用于强调样本相似性或距离关系的任务，两者可以根据任务需求选择或组合使用。：最常用于多分类任务。：交叉熵的改进版本，用于处理类别不平衡的问题，增加对难以分类样本的关注。：通过成对的样本进行训练，拉近相似样本的距离，同时推远不相似样本的距离。
2024-10-25 19:29:44
310
原创 车辆重识别笔记10.23
深度学习中的粒度可以理解为数据、特征、任务或模型处理的精细程度。选择合适的粒度对不同任务的成功至关重要，粗粒度可以加速处理并捕捉全局模式，细粒度则更注重细节和准确性。
2024-10-23 16:50:47
708
原创 车辆重识别笔记10.22
权重衰减的核心原理是通过引入L2正则化项，限制模型权重的大小，避免权重过大导致模型过拟合。通过控制权重值，权重衰减可以使模型更简单、更平滑，从而提高泛化能力，防止过拟合，同时还可以增强模型的稳定性。
2024-10-22 14:18:05
362
原创 车辆重识别笔记10.20
在机器学习领域中，有一个重要的假设：独立同分布假设，也就是假设训练数据和测试数据是满足相同分布的，否则在训练集上学习到的模型在测试集上的表现会比较差。而在深层神经网络的训练中，当中间神经层的前一层参数发生改变时，该层的输入分布也会发生改变，也就是存在内部协变量偏移问题（Internal Covariate Shift），从而造成神经层的梯度消失，模型收敛过慢的问题。
2024-10-20 11:58:43
1030
原创 车辆重识别笔记10.18
Rank-k 指标通常表示为“Top-k Accuracy”或“Top-k 准确率”。对于一个样本，模型输出的结果是一个按概率或相关性排序的候选列表。如果正确答案出现在这个排序列表的前 k 个结果中，认为该预测是成功的。Rank-k 的值是所有样本中正确答案出现在前 k 个结果中的比例。
2024-10-18 11:25:19
479
原创 车辆重识别笔记10.17
参考如下：2万字综述近几年ReID方法 | 算法、未来挑战和方向看这一篇就够了 - 智源社区 (baai.ac.cn)参考如下：车辆重识别/再辨识数据集： Vehicle Re-ID Datasets Collection - 知乎 (zhihu.com)精准率和召回率之间通常存在权衡。提高精准率可能会导致召回率下降，反之亦然。例如：提高精准率：意味着减少误报正类的样本，这通常会导致模型变得更保守，不轻易将样本预测为正类，可能会漏掉一些真正的正类，从而降低召回率。提高召回率：意味着尽量多地预测出正类样本，但
2024-10-17 15:59:40
254
原创 深度学习笔记10.16
它在同一层使用多个分支，并在每个分支中应用不同尺寸的卷积核和池化操作，从而提取不同尺度的特征。指的是网络结构中有多个分支（或路径），这些分支从同一层或不同层中分出，用于处理不同的特征或者任务，最终在某一层进行合并。一个分支处理空间信息（图像帧），另一个分支处理时间信息（帧之间的运动），两者结合可以更好地捕捉视频中的动态特征。例如，某个分支可以用于计算注意力权重，另一个分支用于特征提取，最终利用注意力权重调整提取到的特征。：多分支结构允许网络在不同分支中并行处理不同特征，增强模型的灵活性。
2024-10-15 21:23:22
1232
原创 C语言——字符串专题
使用字符串字面量：char str[ ]="hello world";使用字符数组：char str[20]={'h','e','l','l','o','w','o','r','l','d'};使用字符指针：char *str = "Hello, World";当使用字符串字面量和字符数组的方式定义字符串时，编译器会自动在字符序列的末尾添加'\0'。而使用字符指针定义字符串时，并不会在字符串的末尾添加'\0'。
2024-03-20 21:19:24
566
原创 pytorch学习心得（pycharm版）
选择需要用的类和方法，官方文档中会自动定位到该类和方法的介绍，还有对该类和方法的使用案例。这里可以多关注输入和输出类型，关注方法需要什么参数。打开官方文档，选择页面左下角的Structure，可以看到我们所查看的包中包含的类和方法。当在文档中找不到类或者方法的返回值的数据类型时，可以选择自己手动判断返回值时什么数据类型。按住Ctrl键，鼠标移到想看的包或者库上，会显示蓝色，点进去就是官方文档。怎么查看官方文档呢？
2024-03-09 11:57:18
508
原创 transforms.Compose()的介绍
Compose会先对图像进行随机裁剪操作(transforms.RandomCrop()），再做将图像转换成Tensor类型的操作(transforms.ToTensor())。transforms.Compose()类用来串联多个图片变换操作，对图像进行各种转换操作，使用Compose将这些转换操作组合起来。Compose()类里面的参数是列表，列表的每一个元素是要对图像执行的transform操作，执行时，会按照列表元素进行遍历并且执行。
2024-03-09 11:01:50
1837
原创 报错“module ‘torch.jit‘ has no attribute ‘_script_if_tracing‘”
当使用from torchvision import transforms时报了“module 'torch.jit' has no attribute '_script_if_tracing'”的错误，去查了一下是因为torch的版本和torchvision的版本不匹配导致的。根据自己torch的版本去查找对应版本的。1.3.1版本的torch对应于。当运行到这里时输入y。
2024-03-08 12:53:56
1246
原创 jupyter的打开步骤
输入命令：jupyter notebook，关闭弹出的错误窗口，进入jupyter，此时原来的命令窗口不能关闭，否则建立新的笔记时会报错。建立新的笔记：选择右上角的new，再选择Python [conda env:pytorch] *，就可以开始写代码啦！输入命令：conda activate pytorch，前面显示的成了pytorch。在开始菜单打开Anaconda Prompt，这个时候前面显示的是base。shift+enter可以换行并使前面的代码运行。
2024-03-07 11:12:10
944
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人