DRACOYU的博客

pytorch有两种方法可以压缩拉平通道，例如将 N*C*W*H 转化为 N*C*WH 。1.view():元素总数不变改变形状'''view()是根据元素总数来改变tensor形状的，即变形后的tensor元素总数不变x.size[0]是x的第一个维度batch_size，-1代表自动计算该维度(其他所有维度合并)'''x = x.view(x.size[0],-1)2.flatten()：将指定维度合并为一个维度#tensor拉平发生的位置#flatten的两种方式

GCN简介深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。回忆一下，我们做图像识别，对象是图片，是一个二维的结构，于是人们发明了CNN这种神奇的模型来提取图片的特征。CNN的核心在于它的kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一

论文：https://arxiv.org/pdf/2103.11568.pdfcode：https://github.com/alibaba/cluster-contrast-reid在行人重识别领域，如何获取海量标注数据，提高实际场景的重识别能力是工业界非常关注的一个问题。通常在公开数据集如Maket1501上训练出来的模型在实际场景上基本是没法用的，都需要在实际场景中采集数据并进行标注，因此无监督的行人重识别方法成为了目前研究的一个热点。无监督行人重识别已经有很多人在研究了，目前最好的方

Viewpoint-Aware Loss with Angular Regularization for Person Re-Identification[1] 带角度正则化的视角感知损失。不同于视角和不同id之间分离研究的方向，文章提出了带角度正则化的视角感知损失 Viewpoint-Aware Loss with Angular Regularization (VA-reID)，将行人视角投影到统一的特征子空间当中研究的方法，同时在id层面和视角层面有效建模了特征的分布。另外为了有效地拟合视角聚类标

摘要由于视点变化、光照变化和外观变化等原因，属性识别是一项重要而又具有挑战性的任务。以往的工作大多只考虑属性级特征嵌入，在复杂的多类别识别条件下性能较差。为了解决这一问题，我们提出了一种层次特征嵌入(HFE)框架，该框架通过结合属性和ID信息学习细粒度特征嵌入。在HFE中，我们同时维护了类间和类内特征的嵌入。将具有相同属性的样本和具有相同ID的样本更紧密地聚集在一起，限制了视觉上的难样本在属性方面的特征嵌入，提高了对变化条件的鲁棒性。我们利用由属性和ID约束组成的HFE loss建立了该层次结构。我们还

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

HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis，来自SenseTime的论文，提出了一个基于注意力机制的深度网络HydraPlus-Net，将多层注意力机制图多向映射到不同的特征层。由HP-Net得到的注意力深度特征具有几个优点：（1）模型能够从浅层到语义层捕获注意力；（2）挖掘多尺度的注意力特征，充实最终的行人特征表示。代码：https://github.com/xh-liu/HydraPlus-Net引言行人识别.

文章内容整合来自云从科技资深算法研究员袁余锋老师，通过以下四个方面来讲解本次课题：1、ReID 的定义及技术难点；2、常用数据集与评价指标简介；3、多粒度网络（MGN）的结构设计与技术实现；4、ReID 在行人跟踪中的应用分析与技术展望ReID 是行人智能认知的其中一个研究方向，行人智能认知是人脸识别之后比较重要的一个研究方向，特别是计算机视觉行业里面，我们首先简单介绍 ...