weixin_45032769的博客

昨日盲审出结果，得到89,95分，我的学生生涯以及科研生涯可能就要提前宣告结束了，感谢自己三年来的努力，感谢自己三年来的不放弃，也感谢所有帮助过我的人，我们来日方长，江湖再见。

https://blog.youkuaiyun.com/qq_30815237/article/details/96571447https://blog.youkuaiyun.com/JRRRJ/article/details/81092805

Abstract行人偏差主要是由探测器误差和姿态变化引起的，是鲁棒的人再识别系统的关键问题。在配准不佳的情况下，背景噪声会显著地忽略特征学习和匹配过程。为了解决这一问题，本文引入了位姿不变嵌入(PIE)作为行人描述符。首先，为了使行人与标准姿态对齐，引入了PoseBox结构，该结构通过姿态估计和仿射变换生成。**其次，为了减少姿态估计误差和姿态估计信息丢失对PoseBox构建的影响，我们设计了一...

Abstract最近引入的Panoptic（全景）分割任务重新唤起了我们社区对统一实例分割(对象类)和语义分割(对象类)任务的兴趣。然而，目前用于这种联合任务的最先进的方法使用单独的和不同的网络，例如和语义分割，而不执行任何共享计算。在这项工作中，我们的目标是在架构级别上统一这些方法，为这两个任务设计一个单一的网络。我们的方法是使用共享特征金字塔网络(FPN)骨干网，赋予掩模R-CNN一种流行的...

https://blog.youkuaiyun.com/m0_37644085/article/details/83503769

CVPR2019丨首个siamese网络中训练GCNs的视觉追踪方法《Graph Convolutional Tracking》：https://blog.youkuaiyun.com/weixin_43922139/article/details/93203536GCN：https://blog.youkuaiyun.com/qq_32797059/article/details/90940340...

摘要过拟合和过度平滑是发展深度图卷积网络进行节点分类（Node classification）的两个主要障碍。特别是过拟合会削弱小数据集的泛化能力，而过平滑会随着网络深度的增加而将输出表示从输入特征中分离出来，从而阻碍模型的训练。本文提出了一种新颖灵活的技术DropEdge来缓解这两个问题。在其核心，DropEdge在每个训练元随机地从输入图中删除一定数量的边，充当数据扩充器和消息传递减速器。此...

前言：siamRPN是Siamfc之后的又一突破。SiamFC的缺点：Siamese的方法只能得到目标的中心位置，但是得不到目标的尺寸，所以只能采取简单的多尺度加回归，这即增加了计算量，同时也不够精确。大佬翻译：https://blog.youkuaiyun.com/aaon22357/article/details/91966297本文的改进：SiamFC+ RPN Network，输出两个分支，分...

https://blog.youkuaiyun.com/CsdnWujinming/article/details/89331417

https://github.com/foolwood/benchmark_results/#CVPR2019

https://blog.youkuaiyun.com/ZZXin_/article/details/88078116https://blog.youkuaiyun.com/skywalker_123/article/details/88718588

课后作业链接：https://blog.youkuaiyun.com/u013733326/article/details/7982727319.7.15日unit1_2_具有神经网络思维的Logistic回归 ✅

多目标跟踪这一课题具有很大的商业潜力和发展潜力，被广泛关注，本文从以下几点为这一课题做出贡献： 1）多目标跟踪系统的关键方向，包括公式(formulation)，分类(categorization)，关键原则(key principles)，以及测评(evaluation)； 2）根据现有技术所属的不同方向来进行讨论，再将每个方向的方法划分为成组，然后对组内方法的原则、优缺点进行讨论； 3）检验现有公开的实验并且总结在主流数据集上的实验结果，再进行量化地对比，与此同时指出分析中发现的几个有