Beyond Scalar Neuron

最新推荐文章于 2024-02-04 22:04:59 发布
原创 最新推荐文章于 2024-02-04 22:04:59 发布 · 501 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

Beyond Scalar Neuron

论文：Beyond Scalar Neuron:Adopting V ector-Neuron Capsules for Long-Term Person Re-Identification

作者：悉尼科技大学

代码:code

摘要

背景：目前的人员再识别(reid)工作主要集中在一个人不太可能改变衣服的短期情景。然而，在长期重新定位的情况下，一个人有很大的机会改变衣服。一个复杂的再识别系统应该考虑到这样的变化。

主要贡献：

①本文提出引了一个名为Celeb-reID的大规模reid数据集。与之前的数据集不同，同一个人的Celeb-reID数据集中有不同的服装，总共有1052个id和34,186张图像，使Celeb-reID成为迄今为止最大的长期re-ID数据集。

②为了应对变装，我们建议使用矢量神经元(VN)胶囊代替传统的标量神经元(SN)来设计我们的网络。与SN相比，VN中的一个额外维度信息可以感知同一人的服装变化。我们引入了一个设计良好的ReIDCaps网络，并集成了胶囊来处理person re-ID任务。我们的网络采用了软嵌入注意(SEA)和特征稀疏表示(FSR)机制来提高性能。

模型评估：提出的长期reid数据集和两个常用的短期reid数据集进行了实验。综合分析给出了证明挑战在我们的数据集。实验结果表明，我们的ReIDCaps可以在长期情况下大大超过现有的最先进的方法

网络结构

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1ezREWW1-1606134313680)(C:\Users\Mr.fei\AppData\Roaming\Typora\typora-user-images\image-20

最低0.47元/天 解锁文章
【读论文】（换装行人重识别）超标量神经元：采用矢量神经元胶囊实现”长周期“的行人重识别【有自己的实践比如加了超像素随机擦除】
weixin_46221106的博客
04-30 869
目前的行人重识别（re-ID）工作主要针对于一个人不太可能更换衣服的短期场景。然而，在长期行人重识别的情况下，一个人有很大的机会去更换衣服。一个复杂的行人重识别系统应该考虑到这些变化。为了便于长期行人重识别（re-ID）的研究，本文介绍了一个名为“celeb - reid”的大规模re-ID数据集。与以前的数据集不同，同一个人可以在拟议的“celeb - reid”数据集中换衣服。“celeb - reid”的图片是通过名人的街头快照从网上获得的。
长期换衣行人重识别（Long-Term Clothes-Changing Person Reid）数据集汇总
KingsMan666的博客
04-04 7870
长期换衣行人重识别任务中目前常用的数据集总览目前换衣数据集的主要问题数据集换衣/总体情况集统计DeepChange（2021）LaST（2021）COCAS(2020)VC-Clothes(2020)LTCC(2020)PRCC(2019)Celebrities-reID（2019） 总览 在长期换衣行人重识别的任务当中，数据集的获取（尤其是对于学术环境下）是一个难点，主要的困难有以下几点： 采集大规模的数据集比较困难。 采集不同的衣服的数据集比较困难。 采集不同衣服不同角度的数据集比较困难。 目前也有
学习笔记：换装后行人重识别研究
weixin_44523062的博客
04-30 1259
link 主讲人：黄延 悉尼科技大学博士三年级：吴强教授学生 Person Detection
Celeb-reID:标量神经元以外的数据集和代码
04-24
名人 该存储库包含我们的论文数据集和代码》 和。 1.数据集 您可以直接从OneDrive 及其版本下载我们的数据集。 百度云链接： 对于Celeb-reID：链接： ://pan.baidu.com/s/1sKkO4l8FyzM7iXnzjPyWHQ代码：ix2j 对于Celeb-reID-light：链接： ://pan.baidu.com/s/13DSJ1PK_AEF9TEGi30eIQA代码：14k5 Celeb-reID的数据拆分如下： 分裂 训练 询问 画廊 全部的 ＃ID 632 420 420 1,052 ＃图片 20,208 2,972 11,006 34,186 Celeb-reID-light的数据拆分如下： 分裂 训练 询问 画廊 全部的 ＃ID 490 100 100 590 ＃图片 9021 887 934 1
REID
10-24
REID
七月论文审稿GPT第2.5和第3版：分别微调GPT3.5、Llama2 13B以扩大对GPT4的优势
结构之法 算法之道
02-04 5708
我司自去年7月份成立大模型项目团队以来，至今已有5个项目组，其中所有项目均为会对外上线发布的商用项目，而论文审稿GPT至今在过去的半年已经迭代两个版本，其中第二版的效果甚至超过了GPT4(详见《)，为了持续累积与原始GPT4的优势，我们如今正在迭代第2.5版本：包括对GPT3.5 turbo 16K的微调以及llama2 13B的微调，本文也因此而成。
[TensorFlow] Introducing TensorFlow Feature Columns
摩登都市天空---专栏
03-08 1224
Welcome to Part 2 of a blog series that introduces TensorFlow Datasets and Estimators. We're devoting this article tofeature columns—a data structure describing the features that an Estimator require...
[Towards Interpretable Deep Learning] Concept-based Models
Rad1ant_up的博客
12-18 2581
[可解释深度学习] Concept-based models论文阅读笔记
机器学习之六（读书笔记）
L_cherry_的博客
09-02 340
十一、Recurrent Neural Network（RNN）（循环神经网络）   智慧客服，订票系统，需要Slot Filling（槽位填充）这项技术，假设现在有人说“我要买11月2日去上海的票”，比如在订票系统的Slot分为Destination和time of arrival，系统需要自动辨别每一个词汇属于哪个Slot。   如何解决slot filling呢？   可以使用Feedforward network：input是一个词汇，变成一个vector，丢到这个network中去，output应
【Introduction to Artificial Intelligence and Data Analytics】（TBC）
m0_66706847的博客
09-13 904
Introduction to Artificial Intelligence and Data Analytics 笔记。
云从科技：详解跨镜追踪（ReID）技术实现及应用场景
06-10
跨镜追踪（Person Re-Identification，简称 ReID）技术是现在计算机视觉研究的热门方向，主要解决跨摄像头跨场景下行人的识别与检索。该技术能够根据行人的穿着、体态、发型等信息认知行人，与人脸识别结合能够适用于更多新的应用场景，将人工智能的认知水平提高到一个新阶段。
【ML】 李宏毅机器学习笔记
u013541048的博客
08-03 4513
我的github链接 - 课程相关代码： https://github.com/YidaoXianren/Machine-Learning-course-note 0. Introduction Machine Learning: define a set of function, goodness of function, pick the best function Regressio...
强化学习与环境不确定_不确定性意识强化学习
weixin_26632369的博客
07-18 2420
强化学习与环境不确定Model-based Reinforcement Learning (RL) gets most of its favour from sample efficiency. It’s generous and undemanding on the amount desired as input, with a cap on what we should expect the ...
celeba数据集_常用公开人脸数据集汇总
weixin_39760065的博客
11-23 2367
目录人脸数据汇总人脸检测人脸关键点检测人脸表情年轻与性别人脸姿态人脸识别常用人脸数据详细介绍人脸检测人脸关键点检测人脸表情年轻与性别人脸姿态人脸识别人脸数据集续更新完善中~~~一. 人脸数据汇总1.人脸检测人脸检测是要定位出图像中人脸的位置。Caltech 10000 (2007)这是一个灰度人脸数据集，使用Google图片搜索引擎用关键词爬取所得，包含了7,092张图，10,524个人脸，平均分...
Relation-Aware Global Attention
soarflight_ing的博客
01-26 1867
Relation-Aware Global Attention 论文：Relation-Aware Global Attention for Person Re-identification,CVPR,2020. 链接：paper 代码：github 摘要 注意力机制通过关注重要特征和抑制不重要的特征来提到表示能力。在卷积神经网络中，注意力通常是通过局部卷积来学习的，它忽略了全局信息和隐藏关系。如何有效的利用远程上下文信息来全局的学习注意力还没有得到充分的研究。文中提出了一个有效的关系感知全局注意力模块
Spindle Net
soarflight_ing的博客
11-21 1322
Spindle Net 论文：Spindle Net:Person Re-Identification with Human Body Region Guide Feature Decomposition and Fusion,cvpr,2017 论文地址：链接 代码：SpindleNet 摘要 背景：由检测算和姿势变化引起的行人身体不对准的问题会为不同图像间的特征匹配造成严重的影响。 贡献：本文提出了一种基于人体区域引导的多阶段特征分解和树形结构的竞争特征融合的新型卷积神经网络-SpindleNet，
Multi-Scale Body-Part Mask Guide Attention for Person Re-identification
soarflight_ing的博客
11-25 983
Multi-Scale Body-Part Mask Guide Attention for Person Re-identification 论文:Multi-Scale Boyd-Part Mask Guide Attention for Person Re-identification 论文链接：MMGA 代码： 摘要 背景：由于人的姿态变化，不同的光照、遮挡、错位、背景杂乱等原因，对人的重识别仍然具有挑战性。 贡献：文中提出了一种多尺度身体局部语义掩模引导注意力网络（MMGA)，可以联合全身和局
Salience-Guided Cascaded Suppression Network for Person Re-identification
soarflight_ing的博客
03-08 741
Salience-Guided Cascaded Suppression Network for Person Re-identification 论文：Salience-Guided Cascaded Suppression Network for Person Re-identification，CVPR,2020. 链接:paper 摘要 动机： 使用注意力机制来建模全局和局部特征作为最终的行人表示已经成为人再识别(Re-ID)算法的趋势。这些方法的一个潜在限制是它们集中于最显著的特征，但是对一个
PCB
soarflight_ing的博客
11-21 715
PCB 论文：Beyond Part Models: Person Retrieval with Refined Part Pooling，ECCV,2018 链接：论文链接 代码：PCB_RPP 目前利用局部特征做 Re-ID 的方法大致分为下面两类： 利用在其他数据集上训练好的姿势估计模型无监督迁移到 Re-ID 数据集上，得到局部特征的定位，根据这些提取到的关键点信息，利用图像处理（图像区域联结）的方法，得到各个部件（如头、上身，下身、手，脚等），然后基于这些分割开的部件，提取局部特征信息（pa
scalar
最新发布
06-14
### Scalar in Programming or Data Context In the context of programming and data, a scalar refers to a single value rather than a collection or array of values. Scalars are fundamental units of data that represent individual elements such as integers, floating-point numbers, characters, or booleans[^1]. In many programming languages, scalars serve as the building blocks for more complex data structures. For example, in C++, scalars can be used directly in operations involving overloaded operators. When performing arithmetic, logical, or comparison operations, scalars interact with each other based on the defined behavior of these operators. Overloaded operators allow custom behavior for standard data types, including scalars, enabling developers to define how operators should behave when applied to user-defined types. In the context of parallel computing, such as CUDA programming, scalars play a critical role in defining thread-level computations. Each thread in a parallel execution model may process a scalar value independently, contributing to the overall computation of a kernel function. The inherent thread model ensures that scalar operations are efficiently distributed across multiple threads, enhancing performance through parallelism[^3]. Additionally, in machine learning frameworks, scalars often represent individual weights or biases within neural networks. During backpropagation, scalar values are updated using gradient descent to minimize the cost function. These updates occur iteratively until convergence, ensuring that each scalar contributes optimally to the network's predictive capabilities[^2]. ```python # Example of scalar usage in Python scalar_value = 42 # A scalar integer floating_scalar = 3.14 # A scalar float # Demonstrating scalar operations result = scalar_value + floating_scalar # Adding two scalar values print(result) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值