深度菜鸡-达闻西的博客

论文名字：基于自适应对齐的可见红外多模态行人重识别论文链接: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8913562.文章目录1 摘要理论研究（MAPAN）2 结果分析1 摘要可见光红外行人再识别(VI-Reid)除了由于摄像光谱不同造成的跨模态差异外，仍然存在较大的行人错位问题，以及传统的人再识别一样，由于摄像机视角的不同和行人姿态的不同而引起的变化，使得可见光红外人再识别(VI-Reid)仍然存在较大的不对准问题。

论文名称：Rotate to Attend: Convolutional Triplet Attention Module论文链接：https://arxiv.org/abs/2010.03045代码链接：https://github.com/LandskapeAI/triplet-attention文章目录一、摘要二、理论研究一、摘要二、理论研究...

论文名称：Selective Kernel Networks论文链接：Selective Kernel Networks代码链接：https://github.com/pppLang/SKNet文章目录一、摘要二、理论研究一、摘要二、理论研究

论文名称：GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond论文链接：https://arxiv.org/abs/1904.11492代码链接：https://github.com/xvjiarui/GCNet文章目录一、摘要二、理论研究一、摘要二、理论研究...

论文名称：Non-local Neural Networks论文链接：https://arxiv.org/pdf/1711.07971.pdf代码链接：https://github.com/tea1528/Non-Local-NN-Pytorch文章目录一、摘要二、理论研究一、摘要二、理论研究

论文名称：ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks论文链接：ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks代码链接：https://github.com/BangguWu/ECANet文章目录一、摘要二、理论研究一、摘要二、理论研究...

转载链接: https://blog.youkuaiyun.com/malefactor/article/details/78767781.文章名称：深度学习中的注意力机制(2017版)作者张俊林 （本文2017年发表于《程序员》杂志7月刊）...

论文名称：Attention driven person re-identification论文链接：https://www.sciencedirect.com/science/article/pii/S0031320318303133文章目录一、摘要二、理论研究一、摘要二、理论研究

论文名称：Attentional Feature Fusion论文链接：https://arxiv.org/pdf/2009.14082.pdf代码链接：https://github.com/YimianDai/open-aff文章目录一、摘要二、理论研究一、摘要二、理论研究

论文名称：Squeeze-and-Excitation Networks论文链接：https://arxiv.org/abs/1709.01507代码链接：https://github.com/hujie-frank/SENet文章目录一、摘要二、理论摘要一、摘要二、理论摘要

论文名称：Omni-Scale Feature Learning for Person Re-Identification （OS-net）代码链接：https://github.com/KaiyangZhou/deep-person-reid目录一 、摘要二、理论研究一 、摘要二、理论研究

最近看论文涉及到了self-attention，随即去网上找了一下程序，留着后边用class Self_Attn(nn.Module): """ Self attention Layer""" def __init__(self,in_dim,activation): super(Self_Attn,self).__init__() self.chanel_in = in_dim self.activation = activation

论文链接: https://arxiv.org/abs/1711.07971.程序链接: https://github.com/Henuzhaoyli/Non-local_pytorch.文章目录1 摘要Non-Local Neural Networks2.1 理论研究1 摘要卷积操作和循环操作都是一次处理一个局部的模块。本文提出了一个非局部操作，来捕获远程的依赖关系，非局部操作将某一位置的响应计算为所有位置特征的加权和。对于卷积核循环操作，为了得到远距离的信息，需要重复的操作，缺点：1. 计

CxCself-attention是 N X N， leader是C X CN X N

论文链接: https://arxiv.org/pdf/1711.07971.pdfself-attention链接: https://blog.youkuaiyun.com/qq_37405118/article/details/106947689.目录1. 摘要2.公式3.理论研究1. 摘要2.公式3.理论研究

Test当训练完的时候，会保存很多代的训练参数，后边做测试会把参数加载进行提取特征操作。加了一个循环，这样不用一个一个自己动手操作了，只需要把你想要的代数填进去就OK 了，if __name__ == '__main__': ###################################################################### # Load Collected data Trained model print('-------test----

论文链接链接: http://openaccess.thecvf.com/content_ECCV_2018/html/Sanghyun_Woo_Convolutional_Block_Attention_ECCV_2018_paper.html这篇论文提出的模块可以应用在卷积网络中，不会增加太多的计算量，但是可以增强表征效果。（可以嵌入其他网络）目录摘要介绍相关工作CBAMChannel a...

pytorch的图像分类问题前一段时间突然迷了，最后的全连接层（FC）输出的维度对应的分类数目（Class_num）,这点是没错的，但是交叉熵损失函数公式里边是有预测概率的，必须由softmax得到，但是程序里没有看到softmax（），但是很多都会说到softmax层。后来经过查阅发现，解决办法在交叉熵损失函数里边。 是由交叉熵损失函数的结构解决。交叉熵损失函数：链接: https://blog.youkuaiyun.com/c2250645962/article/details/106014693/?u

最近在写程序，跑代码的时候遇到了以下小问题。记录并备案解决方法，以备下次遗忘。1. 多GPU 运行程序2. 分步调整学习率3. 基于多GPU训练好的参数怎么加载到test程序使用文章目录一、多GPU运行程序二、不同学习率调整三、多GPU训练好的参数拿过来使用一、多GPU运行程序问题描述：单GPU运行 出现显存不够的问题，一开始就想着用一块，没那么多操心事，但是不够了就不能惯着它了，正好实验室有两块GPU（虽然很烂）。解决方法：if __name__=='__main__': model =

文章目录一、 Loss 问题二、 分层学习率问题三、多GPU 处理程序一、 Loss 问题首先，loss 用的是 三元组损失，标签平滑交叉熵损失，调试的过程中出了两个错误（1） float，list dtype不一样的问题，问题出在了 下边的 len(),忘了写了，导致class_names是一个列表，不是我们需要的长度。（2） 维度不匹配原因是出在了 train.py 训练程序里边的训练和验证环节（train和 val) net返回的特征不一样导致，所以出错。二、 分层

论文：基于注意力和姿势特征的双流网络行人重识别文章目录1 摘要2 理论研究2.1 主网络框架2.2 特征融合2.2 self-attention2.3 pose estimattion2.4 Bilinear Pooling3 Loss1 摘要由于姿态、模糊、遮挡等问题的存在，行人的重新识别(re-ID，Re-ID)目前仍是一项具有挑战性的任务。本文结合了姿态估计和注意力机制的优点，利用双流网络将注意力和姿态相结合。提出的方法主要包含两部分：融合多层特征和注意力的空间特征：从多个语义层次提取特征

[cs.CV] 13 Sep 2017GLAD：全局-局部-对齐的行人重识别表征论文链接: https://arxiv.org/abs/1709.04329.文章目录1 摘要2 理论研究2.1 GLAD2.2 Retrieval Framework3 实验总结1 摘要行人姿态和行人的不对齐问题大大增加了重识别的难度，于是作者提出了Gloabl-Local-Alignment Descriptor(GLAD)和一个有效的索引和检索框架。Indexing and Retrieval Framew

基于深度学习的空间对齐方法在行人重识别中的应用Digital Object Identifier 10.1 109/ACCESS.2019.2945353论文链接: https://ieeexplore.ieee.org/document/8856191.STN模块链接: https://github.com/kevinzakka/spatial-transformer-network.STN链接: https://github.com/Henuzhaoyli/STN_in_pytorch.文章目

Digital Object Identifier 10.1 109/ACCESS.2019.2920426论文题目：用于非对齐行人重新识别的深度融合特征表示论文链接: https://www.researchgate.net/publication/333590933_Deep_Fusion_Feature_Presentations_for_Nonaligned_Person_Re-identification.代码链接: https://github.com/Henuzhaoyli/Twostr

NO. 8, AUGUST 2015 IEEE Sensors Journal论文题目：基于双路径多分支网络的跨形态行人重识别论文链接: https://ieeexplore.ieee.org/document/8809784.目录1 摘要2 介绍3 方法3.1 特征提取模块3.2 特征嵌入模块3.3 度量学习实验结果1 摘要目前很多的行人重识别的方法都是基于RGB图像进行识别，尽管基于RGB图像传感器的人物识别已经取得了很大的进展，但很少有人关注RGB图像和红外图像之间的人物识别，这是一个

行人冲识别，四个点

论文链接: https://ieeexplore.ieee.org/document/8907836文章目录一 、摘要二 、 INTRODUCTION二 、 RELATED WORKS【强化学习详细介绍链接: [https://www.zhihu.com/question/41775291](https://www.zhihu.com/question/41775291).】【A3C详细介绍链接: [https://blog.youkuaiyun.com/Hansry/article/details/8082912

行人重识别中，很多选择resnet50作为backbone，但是会把第四层的stride改为1，获得到更得特征map,以下是程序。链接: https://github.com/Henuzhaoyli/resnet-50-.

特征提取，全局特征和两个分支的局部特征融合成为最终的特征。文章目录零 ABSTRACT壹 INSTRODUCTION贰 RELATED WORKA、 hand-crafted featruesB 、deep featrues叁 APPROACHthe structure of CFCNNB 、LOSS FUNCTIONC feature fusionD HyperparametersEXPERI...

论文地址: https://ieeexplore.ieee.org/document/8945246.这篇论文主要讲述了局部语义对齐操作，个人觉得挺总要的，近些年的行人重识别，局部特征的利用大大提高了识别精度。而这篇又是很关键的局部对齐操作，以前的PCB+RPP其中的rpp 也有对齐操作，但是这篇论文的效果比PCB+RPP效果好。文章目录零 ABSTRACT壹 INTRODUCTION贰 R...

An Improved convolutional network architecture based on Residual Modeling for Person Re-identification in Edge computing 论文学习记录论文链接: https://ieeexplore.ieee.org/document/8788519文章目录IntroductionRel...

这篇文章的相关tricks 非常有用，也正是这些tricks导致最后的效果非常明显。论文地址链接: https://arxiv.org/abs/1906.08332?context=cs.CV.code : https://github.com/michuanhaohao/reid-strong-baseline目录摘要介绍相关工作A. Baseline for Deep Person Re...

A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos文章目录A Multi-scale Spatial-temporal Attention Model for Person Re-identification in Videos摘要介绍最近工作所提出的方法实验总结新的改变功能快...