原创 代碼運行記錄
2019.7.15 avg + att_avg :在resnet後分別進行batch_normal後直接進行數學相加, mAP:82.3 r1:93.4 r5:98.8 att_avg:將avg替換成att_avg: mAP:76
原创 pytorch使用之微調網絡模型
import torchvision.models as models 1.調整最後一層輸出維度 model = models.ResNet(pretrained=True) fc_features = model.fc.in_f
原创 最終代碼運行
tricks mAP R1 R5 加入gloab_att+mask(thr=0.5,de_rate=0.6, in_rate=1.2, change_rate=1 ) 90.2 96.0 98.4 加入gloab
原创 待閱讀論文
Re-ranking Person Re-identification with k-reciprocal Encoding–PRW X Person re-identification with human body reg
原创 Resource Aware Person Re-identification across Multiple Resolutions (CVPR 2018)論文閱讀
作者認爲直接從深度卷積神經網絡最後一層得到的feature損失了大量細節信息,例如顏色,衣服紋理,面部信息。因此通過融合上下層輸出將會提升識別性能。但是被融合的信息需要對識別任務提供足夠強的特徵,否則會引入噪聲甚至降低性能。 引入
原创 ReID評測標準(rank-n,precision,recall,mAP)
rank-n 搜索結果中靠前爲正確的概率。 例如: lable爲m1,在100個樣本中搜索。 如果識別結果是m1、m2、m3、m4、m5……,則此時rank-1的正確率爲100%;rank-2的正確率也爲100%;rank-5的正
原创 R-FCN
轉R-FCN R-FCN詳解 R-FCN特點:和Faster R-CNN相比,R-FCN具有更深的共享卷積網絡層,這樣可以獲得更加抽象的特徵;同時,它沒有RoI-wise subnetwork,不像Faster R-CNN的featu
原创 ReID Baseline
大佬的Baseline 新加densenet201作爲backbone top1:0.922209 top5:0.956354 top10:0.967933 mAP:0.868049
原创 computer vision tricks
圖像分類任務中的tricks總結
原创 pytorch使用之圖像數據預處理
import torchvision from torchvision import datasets, transforms 一,創建一個預處理格式列表 transform形式 transform_train_list = [
原创 pytorch微調網絡模型
import torchvision.models as models 1.調整最後一層輸出維度 model = models.ResNet(pretrained=True) fc_features = model.fc.in_fea
原创 Person Transfer GAN to Bridge Domain Gap for Person Re-Identification論文閱讀
論文地址 論文提出的主要創新點就爲了彌補某算法可以在已數據集上取得很好的效果,但是在其他數據集上泛化性能較差。作者通過借鑑Cycle-GAN的思想提出了PTGAN,與Cycle-GAN不同的是PTGAN可以生成更高質量的person
原创 SSD論文閱讀
SSD正負樣本獲取 SSD經過網絡生成後產生大量的defualt box,需要對這些defualt box進行篩選操作以減少樣本不平衡帶來的影響。 1.正樣本獲取 先從groudtruth box出發給每個groudtruth box
原创 setContentPane()與getContentPane()用法
JFrame添加組建的兩種方法 前言:先得到一個窗體(JFrame),然而這個窗體除了設置窗體的大小與位置外並不能提供任何操作。在java中我們需要在窗體的基礎上加入面板:Panle而後就可以在面板上進行其他操作,如設置一個按鈕,標籤,顏