<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[makabaka的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_41967539</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_41967539]]></copyright><item><title><![CDATA[2019PR之RGBT行人检测：Illumination-aware faster R-CNN for robust multispectral pedestrian detection]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/109526666</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/109526666</guid><author>qq_41967539</author><pubDate>Fri, 06 Nov 2020 10:23:39 +0800</pubDate><description><![CDATA[Illumination-aware faster R-CNN for robust multispectral pedestrian detection
简述：
本文发现从RGB或T图像行人检测结果与照明条件相关。考虑到这一点，提出了IAF R-CNN网络。具体地说，首先引入了光照感知网络来给出输入图像的光照度量。然后，我们通过一个定义在光照值上的门函数自适应地合并RGB和T的子网络。

左图为光照条件较好的情况下经过门函数后的带权结果，右图为光照条件不好的情况下经过门函数后的带权结果。
模型：
1，本文]]></description><category></category></item><item><title><![CDATA[2020 ICRA之RGBT语义分割：PST900: RGB-Thermal Calibration,  Dataset and Segmentation Network]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/109225351</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/109225351</guid><author>qq_41967539</author><pubDate>Thu, 22 Oct 2020 16:42:10 +0800</pubDate><description><![CDATA[PST900: RGB-Thermal Calibration,  Dataset and Segmentation Network
简述：
首先，本文提出了一种RGB-T数据集矫正方法
其次，本文是一个比赛提出的，本文通过这种矫正方法对官方提供了PST900进行校正，做到成对数据的完全对齐。
最后，提出了一种用于快速语义分割的框架。
模型：
1数据校正：
这个比赛提供的数据集是RGB-D-T数据集，通过Depth信息来校正RGB和T信息对齐，通过T图像得到T到RGB图像的映射关系进行校正，这里不仔细讲了，]]></description><category></category></item><item><title><![CDATA[2019 RAL之RGBT语义分割：RTFNet: RGB-Thermal Fusion Network for Semantic Segmentation of Urban Scenes]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/109217520</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/109217520</guid><author>qq_41967539</author><pubDate>Thu, 22 Oct 2020 10:54:53 +0800</pubDate><description><![CDATA[RTFNet: RGB-Thermal Fusion Network for Semantic Segm
简述：
本文针对RGB-T语义分割任务，利用热图像的优势，并融合RGB和热信息在一个新的深度神经网络。
模型：


本文只有一个创新点，就是upception模块，其实就是上采样跳链接模块，本文没有太大的创新点，指标达到了sota（Res50的mIOU为51.7）：


...]]></description><category></category></item><item><title><![CDATA[2017 IROS之RGBT语义分割：MFNet: Towards Real-Time Semantic Segmentation for Autonomous Vehicles with Multi]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/109217427</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/109217427</guid><author>qq_41967539</author><pubDate>Thu, 22 Oct 2020 10:51:33 +0800</pubDate><description><![CDATA[MFNet: Towards Real-Time Semantic Segmentation for Autonomous Vehicles with Multi-Spectral Scenes
简述：
第一篇RGB-T语义分割文章：
近年来有关语义分割的研究主要基于在夜间能见度较差和恶劣天气条件下获取的RGB图像。此外，本文尽可能减少了时间消耗，提高速度。
模型：

17年还没有Res，本文就是最简单的编码解码器，最大通道数是128，所以设计的轻量级网络，网络本身没有复杂的结构。
本文提出了RGBT数据集]]></description><category></category></item><item><title><![CDATA[2020 CVPR 之ReID：AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identi]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/109099534</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/109099534</guid><author>qq_41967539</author><pubDate>Thu, 15 Oct 2020 16:21:27 +0800</pubDate><description><![CDATA[AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification
简述：
当目标域的身份未知时，现有的方法试图通过转移图像样式或跨域对齐特征分布来解决，而目标域中丰富的未标记样本不能充分地实现。本文提出了一种新的增强描述本地聚类(AD-Cluster)技术，该技术可以估计和增强目标域内的人聚类，并通过附加聚类增强re-ID模型的识别能力。

AD-Cluster交替训练一个图像生成器和一个]]></description><category></category></item><item><title><![CDATA[2020 CVPR 之ReID：CamCOCAS: A Large-Scale Clothes Changing Person Dataset for Re-identification]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/109091787</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/109091787</guid><author>qq_41967539</author><pubDate>Thu, 15 Oct 2020 10:15:36 +0800</pubDate><description><![CDATA[AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification
简述：
现有的ReID任务都是在基于同一个人都是相同的衣服进行了，本文为了解决这一问题，提出了换衣人集(COCAS)，同时，提出了一种双分支网络——生物特征-服装网络(BC-Net)，该网络能够有效地将生物特征和服装特征结合起来，在我们的设置下进行re-id识别。

模型：
COCAS数据集：

生物特征-服装网络(BC-N]]></description><category></category></item><item><title><![CDATA[2020 TIFS之ReID:Visible-Infrared Person Re-Identification via Homogeneous Augmented Tri-Modal Learnin]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/108944856</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/108944856</guid><author>qq_41967539</author><pubDate>Tue, 06 Oct 2020 22:37:47 +0800</pubDate><description><![CDATA[Visible-Infrared Person Re-Identification via Homogeneous Augmented Tri-Modal Learning
简述：
现有的方法通常只学习了跨模态特征，而忽略了图像层次的差异。生成图像的思路目前有些方法采用GAN生成交叉模态图像，但会破坏局部结构并引入噪声。本文通过生成的RGB图像的灰度图作为辅助，以减少RGB与IR图像的large gap。

模型：

本文框架方面通过3个3通道（RGB，Gray，IR）的分别输入到共享权重的Res50学习共]]></description><category></category></item><item><title><![CDATA[2020ECCV之ReID：Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identificat]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/108940121</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/108940121</guid><author>qq_41967539</author><pubDate>Tue, 06 Oct 2020 15:52:13 +0800</pubDate><description><![CDATA[Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification
简述：
现有的VI-ReID方法倾向于学习全局表示，全局表示的可辨识性有限，且对有噪信息的鲁棒性较差。针对(a)中全局信息问题和噪音问题：通过以下两个思路去解决：(b)模内加权部分聚合(IWPA)，它通过挖掘每个模内的上下文部分信息来学习有区别的部分聚合特征。©交叉模态注意力结构(CGSA)，通过融合邻域信息增强了交叉模态图结构注]]></description><category></category></item><item><title><![CDATA[2020 Arxiv之跨模态Reid：RGB-IR Cross-modality Person ReID based on Teacher-Student GAN Model]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/108695245</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/108695245</guid><author>qq_41967539</author><pubDate>Sun, 20 Sep 2020 16:58:24 +0800</pubDate><description><![CDATA[RGB-IR Cross-modality Person ReID based on Teacher-Student GAN Model
简述：
Reid的关键挑战是不同模式下特征的跨模态差异。为了解决这一挑战，我们提出了一种基于不同域的师生模型(TS-GAN)。
模型：

1.首先，GAN部分，仅采用了RGB生成IR的分支，但IR生成RGB用于辅助训练后期没有用到：



（使用L1范数，因为它能比L2范数在图像边缘获得更好的生成性能）
2.Backbone（红色部分）将Res50分为前3层（图中FEs）]]></description><category></category></item><item><title><![CDATA[2020 TIP之跨模态ReID：Cross-Spectrum Dual-Subspace Pairing for RGB-infrared Cross-Modality Person Re-id]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/108511605</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/108511605</guid><author>qq_41967539</author><pubDate>Thu, 10 Sep 2020 12:07:45 +0800</pubDate><description><![CDATA[Cross-Spectrum Dual-Subspace Pairing for RGB-infrared Cross-Modality Person Re-Identification
简述：
本文的主要目的是为了减少不同光谱的摄像机产生的模态差异问题。本文提出了一种新的多光谱图像生成方法，利用生成的样本帮助网络找到鉴别信息，从而实现对同一个人的跨模态重新识别。下图可以看到，SYSU的红外图和RegDB的红外图是明显不同的。

解决上述问题的目的是为了解决跨模态ReID的另一个挑战是人内(同一人图像)的差]]></description><category></category></item><item><title><![CDATA[2020 Arxiv之跨模态ReID：Bi-directional Exponential Angular Triplet Loss for RGB-Infrared Person Re-Identi]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/108487946</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/108487946</guid><author>qq_41967539</author><pubDate>Wed, 09 Sep 2020 13:45:28 +0800</pubDate><description><![CDATA[Bi-directional Exponential Angular Triplet Loss for RGB-Infrared Person Re-Identification
简述：
现有的研究大多使用基于欧几里得度量的约束来解决不同模式特征之间的差异。由于欧氏距离不能有效地测量嵌入向量之间的夹角，使得这些方法无法学习角度判别特征嵌入。本文提出通过确定了嵌入向量之间的夹角来进行有效的分类问题。同时，本文提出了提出了一种新的提出了一种新的ranking loss，即Bi-directional Expon]]></description><category></category></item><item><title><![CDATA[2020 ArXiv之跨模态ReID：Parameters Sharing Exploration and Hetero-Center based Triplet Loss for Visible-T]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/108467207</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/108467207</guid><author>qq_41967539</author><pubDate>Tue, 08 Sep 2020 14:00:49 +0800</pubDate><description><![CDATA[Parameters Sharing Exploration and Hetero-Center based Triplet Loss for Visible-Thermal Person Re-Identification
简述：
采用双流网络来解决多模态识别中最具挑战性的跨模态差异问题。在本文中，我们探讨了两流网络应该共享多少个参数，这在现有文献中仍未得到很好的研究。同时，提出了提出了hetero-center based triplet loss，通过将anchor与其他所有样本的比较改为anchor]]></description><category></category></item><item><title><![CDATA[2020 CVPR之GAN：MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/107379196</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/107379196</guid><author>qq_41967539</author><pubDate>Thu, 16 Jul 2020 11:26:31 +0800</pubDate><description><![CDATA[MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks
论文：https://arxiv.org/pdf/1903.06048.pdf
1.当前存在的问题
GAN在图像合成任务中，目前的问题在于他们不能很好的适应不同数据集，部分原因是由于训练过程的不稳定性和对超参数分析仪的敏感性（模型崩塌），不稳定的原因是，真分布与伪分布没有足够的重叠部分时，从鉴别器到生成器的梯度变得无信息。
本文提出了多尺度梯度广义对抗网络(MSG-GAN)，]]></description><category></category></item><item><title><![CDATA[2020Arxiv之ReID：Deep Learning for Person Re-identification: A Survey and Outlook]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/107268994</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/107268994</guid><author>qq_41967539</author><pubDate>Fri, 10 Jul 2020 21:27:35 +0800</pubDate><description><![CDATA[Deep Learning for Person Re-identification: A Survey and Outlook
本文是夜盲团队在今年发表的综述类文章：
论文地址：
https://arxiv.org/abs/2001.04193v1
AGW开源地址：
https://github.com/mangye16/ReID-Survey
当前的问题及概述：
作者调查了245篇近两三年的行人重识别（Person Re-identification）论文，分类为封闭世界ReID与开放世界ReID，综述]]></description><category></category></item><item><title><![CDATA[2019 IJCNN之GAN（image transfer（face））：Attention-Guided Generative Adversarial Networks for Unsupervis]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/106984788</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/106984788</guid><author>qq_41967539</author><pubDate>Sat, 27 Jun 2020 17:01:37 +0800</pubDate><description><![CDATA[Attention-Guided Generative Adversarial Networks for Unsupervised Image-to-Image Translation
当前的问题及概述：
通过GAN网络针对image-to-image translation任务目前只能转换low-level特征，而不能转换high-level特征，主要原因是生成器无法检测出图像中最能体现语义的部分，从而导致生成的图像质量较差。
针对这一局限性，本文提出了一种基于注意力引导的生成对抗网络(AGGAN)，该网]]></description><category></category></item><item><title><![CDATA[2020 IVC之GAN（image transfer）：GANILLA: Generative Adversarial Networks for Image to Illustration Tran]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/106791400</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/106791400</guid><author>qq_41967539</author><pubDate>Tue, 16 Jun 2020 17:22:32 +0800</pubDate><description><![CDATA[GANILLA: Generative Adversarial Networks for Image to Illustration Translation
期刊：Image and Vision Computing（Elsevier，3区）
开源：https://github.com/giddyyupp/ganilla
当前的问题及概述：
1.尽管目前最先进的图像-图像转换模型可以成功地转换风格或内容，但它们不能同时转换两者。本文提出了一个新的生成器网络来解决这个问题，并表明产生的网络在风格和内容之间实现]]></description><category></category></item><item><title><![CDATA[2017 NIPS之GAN（image transfer）：Unsupervised Image-to-Image Translation Networks]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/106693066</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/106693066</guid><author>qq_41967539</author><pubDate>Thu, 11 Jun 2020 17:22:17 +0800</pubDate><description><![CDATA[Unsupervised Image-to-Image Translation Networks
开源：https://github.com/mingyuliutw/unit.
当前的问题及概述：
无监督图像-图像转换的目的是利用图像在单个区域的边缘分布来学习图像在不同区域的联合分布。由于存在无穷多的联合分布集合，可以得到给定的边际分布，如果没有额外的假设，就不能从边际分布中推断出联合分布。
本文提出了一个共享潜在空间的假设，并提出了一种基于coupled GANs的无监督图像-图像转换框架。
模型及los]]></description><category></category></item><item><title><![CDATA[2018 LNCS之GAN（image transfer）：Multimodal Unsupervised Image-to-Image Translation]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/106648593</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/106648593</guid><author>qq_41967539</author><pubDate>Tue, 09 Jun 2020 18:50:29 +0800</pubDate><description><![CDATA[Multimodal Unsupervised Image-to-Image Translation
开源：https://github.com/nvlabs/MUNIT
当前的问题及概述：
无监督图像到图像的转换目前CV中一个重要的问题，在没有pair的前提下，学习源域对应图像在目标域内的条件分布。现有的方法为确定性的一对一映射，因此，它们无法从给定的源域图像生成不同的输出。
为了解决这一限制，本文提出了一个多模态无监督图像到图像转换(MUNIT)框架。

图中(a)每个域Xi中的图像被编码到一个共享的内]]></description><category></category></item><item><title><![CDATA[2017 ECCV之ReID：Beyond Part Models Person Retrieval with Refined Part Pooling (PCB）]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/106641436</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/106641436</guid><author>qq_41967539</author><pubDate>Tue, 09 Jun 2020 14:45:48 +0800</pubDate><description><![CDATA[Beyond Part Models Person Retrieval with Refined Part Pooling(and A Strong Convolutional Baseline)
当前的问题及概述：
本文使用part特征对行人图像描述提供了细粒度的信息，对所有图像的人物进行分part提取，本文有两点贡献：1，一个名为基于部分卷积基线(PCB)的网络。2，(ii)改进的部分池化(RPP)方法。下图为不同文献的分part方法，本文提出的PCB为f，采用均匀分part的方法，将图像分成均匀的不同]]></description><category></category></item><item><title><![CDATA[2019 CVPR之ReID：Re-ranking via Metric Fusion for Object Retrieval and Person Re-identification]]></title><link>https://blog.youkuaiyun.com/qq_41967539/article/details/106557308</link><guid>https://blog.youkuaiyun.com/qq_41967539/article/details/106557308</guid><author>qq_41967539</author><pubDate>Thu, 04 Jun 2020 20:20:55 +0800</pubDate><description><![CDATA[Re-ranking via Metric Fusion for Object Retrieval and Person Re-identification
当前的问题及概述：
视觉因素的变化，如视点、姿势、白光和背景，通常被认为是re-ID任务的重要挑战。尽管这些因素是有影响的，但关于它们如何影响认知系统的定量研究仍然缺乏。
本文通过探究viewpoint对系统的影响进行探究，有两大突出贡献，首先，引入了一个大型合成数据引擎PersonX。由手工制作的3D人物模型组成，该引擎的突出特点是“可控”。也就是说]]></description><category></category></item></channel></rss>