DRACOYU的博客

人类的学习方法是半监督学习，他们能从大量的未标记数据和极少量的标记数据学习，迅速理解这个世界。半监督学习最近有没有什么大的突破呢？我的Twitter账号被这篇 《The Quiet Semi-Supervised Revolution》【1】博客刷屏了。这篇博客介绍了 DeepMind 的 MixMatch 【2】方法，此方法仅用少量的标记数据，就使半监督学习的预测精度逼近监督学习。深度学习领域的未来可能因此而刷新。以前的半监督学习方案，一直以来表现其实都很差。你可能会想到 BERT 和 GPT，这两个

摘要车辆再识别是智能交通系统和智慧城市的核心技术之一，但类内多样性和类间相似性对现有方法提出了巨大的挑战。本文提出了一种利用属性信息，同时引入两种新的随机增益的多导学习方法，以提高训练过程中的鲁棒性。在此基础上，提出了一种属性约束方法和分组重排序策略来优化匹配结果。在CVPR 2020 AI城市挑战赛中，获得了66.83%的mAP和76.05%的rank-1准确率。本文提出的方法主要针对车辆ReID任务提取鲁棒特征，最后采用集成和重排序方法对结果进行优化。1.提出了一种利用属性信息进行车辆ReI

注意力机制大概分为以下，Spatial domain，Channel domain，Mixed domain以及Self-attention。接下来简单介绍这部分方法。SE-Net: Squeeze-and-Excitation NetworksSE-Net应用比较多，其基本原理是对于每个输出channel，预测一个常数权重，对每个channel加权一下。结构如下图：第一步每个通道H*W个数全局平均池化得到一个标量，称之为Squeeze，然后两个FC得到01之间的一个权重值，对原始的每个Hx

论文链接：https://arxiv.org/abs/1910.03151代码地址：https://github.com/BangguWu/ECANet

论文：http://mftp.mmcheng.net/Papers/20cvprSCNet.pdf代码：https://github.com/MCG-NKU/SCNet《Improving Convolutional Networks with Self-calibrated Convolutions》 CVPR2020 南开大学程明明团队（将多尺度引入Resnet中的Res2Net）CNN的最新进展主要致力于设计更复杂的体系结构，以增强其特征表示能力，各种卷积模块工作层出不穷，性能涨点明显，包