rytyy的博客

由于领域偏差，直接拿一个数据集上训练得到的ReID模型放在另一个数据集上通常获得相当差的精度。本文提出了一种自适应探索（Adaptive Exploration, AE）方法，以无监督的方法解决ReID的域转移问题。具体来说，在目标域上，引入ReID模型以(1)最大化所有行人图像间的距离；（2）最小化相似行人图像之间的距离。...

论文地址：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123600222.pdf摘要：当前用于行人重识别的全监督模型虽然在单域上已经可以达到显著成效，然而将其直接放在不可见的域（数据集）上，效果却难以达到令人满意的状态。考虑到跨域reID的特点，这种退化主要是有两方面原因：目标域内的变化（dramatic variation within the target domain） 和 源域目标域之间的转变（the severe shif.

在差异空间进行无监督域适应的行人再识别技术文章出处：ECCV2020。Code is available on GitHub link: https://github.com/djidje/D-MMD摘要：随着深度模型的发展，ReID技术的性能得到大幅提升，然而面临现实世界的视频分析和监控应用，ReID技术的落地依然有着较大的挑战。考虑到源于和目标域上普遍存在的数据分布的差异，而且源域数据有标签，而目标域数据无标签，所以很难在目标域上直接使用训练好的模型获得较高的识别准确率。无监督域适应（UDA

文章简介：基于局部感知注意力的自监督步态编码行人再识别方法文章出处：IJCAI2020。作者单位：中科院深圳先研院，国防科技大学等。code is available at https://github.com/Kali-Hac/SGE-LA摘要： 基于步态的行人再识别(Re-ID)在安防应用中具有重要价值，而仅使用3D骨骼数据提取有辨别力的步态特征用于Re-ID是一个新兴的开放课题。现有的方法要么采用手工特征，要么通过传统的监督学习模式学习步态特征。与之前的方法不同，我们首次提出了一种通用的步态

文章简介：文章出处：https://arxiv.org/abs/2008.03561v1。作者单位：纽约市立大学。作者提出了一个在跨模态任务中通用的center loss。文献动机跨模态检索的目的是学习来自不同模态数据的判别性和模态不变性的特征。现有的深度学习方法往往会选择将不同模态的信息映射到同一特征空间，从而学习跨模态共享特征。为了学习到判别性特征，我们需要确保同类数据的特征距离更近，同时异类数据的特征距离更远。在一些研究中，大家常常会利用交叉熵损失（cross entropy loss）和均

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

论文Batch DropBlock Network for Person Re-identification and Beyond 全文翻译简单解读以及代码理解复现

train函数是模型训练的入口。首先一些变量的更新采用自定义的AverageMeter类来管理，后面会介绍该类的定义。然后model.train()是设置为训练模式。 for i, (input, target) in enumerate(train_loader) 是数据迭代读取的循环函数，具体而言，当执行enumerate(train_loader)的时候，是先调用DataLoader类的__...

看reid的论文会发现，作者一般都会提一句话：为了使得能够任意图片大小输入，我们增设了全局平均池化层（GAP）。那为什么全局平均池化可以代替FC呢？全连接层有一个非常致命的弱点就是参数量过大，特别是与最后一个卷积层相连的全连接层。比如，第一个全连接层FC1有4096个节点，上一层feature map是7X7X512 = 25088个节点，则该传输需要4096*25088个权值，需要耗很大的内存。...

Sampler.py 设置每个batch是N=p*k的采样from __future__ import absolute_importfrom collections import defaultdict # 用于append字典内容import numpy as npfrom .data_manager import Market1501import torchfrom tor...

基于度量学习的ReID方法度量学习（Metric learning）是广泛用于图像检索领域的一种方法。不同于表征学习，度量学习是希望通过网络学习到两张图片的相似度。在行人重识别问题上，具体为一行人的不同图片的相似度大于不同行人的不同图片。最后的网络的损失函数使得相同行人图片（正样本对）的距离尽可能小，不同行人图片（负样本对）的距离尽可能大。常用的度量学习损失方法有对比损失（Contrastiv...

from __future__ import absolute_importimport osimport sysimport timeimport datetimeimport argparseimport os.path as ospimport numpy as npimport torchimport torch.nn as nnfrom torch.utils.da...

model.py：提取特征的模型（ResNet50）from __future__ import absolute_importimport torchimport torchvisionfrom torch import nnfrom torch.nn import functional as Ffrom IPython import embed'''任何一个神经网络的定义都...

data_loader: 吐数据的dataloaderfrom __future__ import print_function, absolute_importimport osfrom PIL import Imageimport numpy as npimport os.path as ospimport torchfrom torch.utils.data import D...

data_manager.py：自动处理数据集，返回数据集的一些常用属性from __future__ import print_function, absolute_importimport osimport os.path as ospimport reimport numpy as npimport glob# from .utils import mkdir_if_mis...

基于表征学习的ReID方法表征学习（representation learning）是一类常用的行人重识别方法。由于CNN可自动从原始图像数据中根据任务需求自动提取表征特征（Representation），所以有些researcher会把行人重识别问题看作分类（Classification/Identification）问题或者验证（Verification）问题：（1）分类问题是指利用行人...

import torch.nn as nnimport torch# 定义应用于18和34层等浅层resnet的残差块class BasicBlock(nn.Module): expansion = 1 # 该参数决定了每一个残差块的最后层卷积的通道数是前边层的多少倍 def __init__(self, in_channel, out_channel, str...

# 解读pytorch官方对resnet的实现import torchimport torch.nn as nnfrom .utils import load_state_dict_from_url__all__ = ['ResNet', 'resnet18', 'resnet34', 'resnet50', 'resnet101', 'resnet152', 'r...

基于双阶段度量学习的跨模态行人再识别摘要：由于从可见光和热成像摄像头采集而来的图像风格迥异，跨模态行人再识别面临着巨大挑战。目前的深度学习方法，大都利用度量学习来获取区分性特征。然而，现有的度量学习是基于批处理样本执行的，解决方案是局部最优，因此并不尽如人意。为了实现全局性学习，我们提出了一种双阶段度量学习的手段（TML），成功实现局部和全局的度量学习。在第一阶段，通过在小批量上利用三元组...

Motivation该文所关注的是红外光-可见光的跨模态行人重识别任务。也就是将红外图像作为输入，然后去检索可见光图像。由于红外图像和可见光图像之间的模态差异，IV-ReID变得充满挑战。为了减小模态差异，本文介绍了一种辅助的中间模态X，将两模态问题转化为了三模态问题。X模态是RGB模态的重新表述，可以此轻松解决跨模态学习问题。本文所提及的跨模态ReID框架，包含两个主要部分：首先， 通过...

该篇文章发表于CVPR2020，作者信息如下：

接论文阅读笔记Cross-Modality Paired-Images Generation for RGB-Infrared Person Re-Identification 在此对文章所提及的方法JSIA-ReID做一个解读。关于JSIA-ReID的详细介绍：该方法包括一个用以生成跨模态配对图像的生成模块G和一个用来学习set-level和instance-level对齐特征的特征对齐...

该篇文章发表于AAAI 2020，系跨模态行人重识别范畴，是用GAN解决ReID问题的一个新的思路。论文作者信息为：摘要由于RGB图像和IR图像之间的较大模态差异，RGB-Infrared行人重识别很有挑战性。解决跨模态ReID的关键，是学习RGB和IR两种模态间的对齐特征。然而由于在每对RGB和IR图像间缺乏对应标签，目前的大部分方法都会尝试利用set-level(集合级别)的对齐来减小...

参考自：机器之心该文章发表于2020年初，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，综述了该方向的技术进展，对未来ReID技术发展给出了几个有价值的方向，是近期最值得读的ReID综述。该文作者信息：下图为作者总结的ReID技术的五大步骤：1）数据收集；2）包围框生成；3）训练数据标注；...

RGB-Infrared Cross-Modality Person Re-Identification via Joint Pixel and Feature Alignment发表在ICCV2019上，是一篇利用GAN来解决基于RGB-IR的ReID问题的文章。摘要夜间行人重识别在视频监控、安防等领域有着重要的应用，但是该问题却没有被很好的解决。这主要是因为夜间红外行人图像和日间彩色行人...

本文发表于CVPR2019，作者是浙江大学罗浩博士摘要本文提出一个ReID中简单且有效的baseline。本文使用一些trick，在只使用全局特征的情况下达到rank1 94.5%和mAP 85.9%的水平。背景Baseline对于一个领域的研究起着非常重要的作用，但是我们观察最近一年顶会发表的ReID工作，发现论文之间Baseline的差距特别大。以Market1501为例，极少数工作...

论文地址：https://arxiv.org/abs/1711.09349代码地址：code什么是行人重识别（ReID）行人重识别（Person re-identification）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。 给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人...