soarflight_ing的博客

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

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

Interaction-and-Aggregation Network for Person Re-identification论文：Interaction-and-Aggregation Network for Person Re-identification，cvpr,2019链接：paper代码：github摘要背景：人的再识别(reID)极大地受益于学习鲁棒特征嵌入的深度卷积神经网络(CNNs)。然而，CNNs由于其固定的几何结构，在建模人的姿态和尺度的巨大变化时具有固有的局限性。贡

Masked Graph Attention Network for Person Re-identification论文：Masked Graph Attention Network for Person Re-identification，cvpr,2019链接：paper代码：github摘要​ 主流的行人重识别方法（ReID)主要关注个体样本图像与标签之间的对应关系，而忽略了整个样本集中丰富的全局互信息。为此，文中提出了一种掩码图注意网络（MGAT）方法。MGAT 利用所提取的特征信

GCNetGCNet：Non-local Networks Meet Squeeze-Excitation Networks and Beyond,cvpr,2019.链接：paper代码：github摘要背景：Non-local Network 提供了一种捕获远程依赖关系的开创性方法，通过将特定于查询的全局上下文聚合得到每个查询位置。但是，本文发现，对于图中不同的查询位置，non-local network 网络建模的上下文信息几乎是相同的。贡献：基于上述问题，文中建立了一个简化的基于查询

Asymmetric Non-local Neural Networks论文：Asymmetric Non-local Neural Networks for Semantic Segmentation,ICCV,2019.链接：paper代码：github本文是在Non-local Neural Networks（cvpr,2018) 这篇论文的基础上改进得来的，non-local block Non-local模块作为语义分割任务中很有用的技术，但因为计算量较大，需要较大的显存开销，这阻碍了

Non-local Neural Networks论文：Non - local Neural Networks，cvpr,2017.链接：paper代码：github摘要卷积神经网络和循环神经网络都是处理局部区域的操作，是典型的local operations。受经典的非局部均值（non-local means ）的启发，文中提出了一种non-local operations 用于捕获长距离依赖（long-range dependencies),(即如何建立图像上两个有一定距离的像素之间的联系

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

MGCAM论文：Mask-guided Contrastive Attention Model for Person Re-Identifification，cvpr,2018论文链接：paper代码：github摘要背景：由于不同的背景杂乱，不同的视点和身体姿势，远远没有解决。如何提取对背景杂波不变性、鲁棒性强的特征是核心问题。贡献：本文（1）引入了二值化的行人分割轮廓图作为额外输入，并与彩色图像合并为四通道的新输入，然后设计一种基于分割轮廓的对比注意模型来学习背景无关的行人特征。（2）在

注意力模块集合（CBAM & BAM & DANet）论文：Convolutional Block Attention Module & Bottleneck Attention Module ,2018 & Dual Attention Network for Scene Segmentation, cvpr,2019代码：CBAM&BAMcode DANet codeBAM介绍文中把重心放在了Attention对于一般深度神经网络的影响上，