原创 Incremental Learning of Object Detectors without Catastrophic Forgetting 論文閱讀

本文概覽 CNN用於目標檢測任務的缺陷——類別遺忘:假設CNN模型A爲在一個物體檢測訓練集1上訓練得到的性能較好的檢測器,現在有另外一個訓練集2,其中物體類別與1不同,使用訓練集2在A的基礎上進行fine-tune得到模型B,模

原创 SANet:Structure-Aware Network for Visual Tracking 閱讀筆記

本文概覽 解決問題:由於CNN模型主要用於類間判別,所以大多數CNN用於目標跟蹤的任務中對目標物體的相似物都很敏感; 主要方法:CNN+RNN,CNN主要提供目標物體和背景之間的判別形,RNN主要提供目標物體和相似物之間的判別性

原创 Detect to Track and Track to Detect

本文概覽 本文使用一個簡單的卷積網絡模型(ConvNet)在視頻序列中同時實現多目標的跟蹤和檢測; 本文構建了一個新穎的損失函數,包括用於單幀檢測的多任務損失和用於多幀間跟蹤迴歸損失; 本文引入相關特徵用於代表同一目標在不同幀圖

原创 AI Challenge Human Pose 評測代碼分析

評測方法和標準 根據最終提交的submit.json文件和ground.json文件計算mAP得分; 評測代碼最終會輸出mAP結果,錯誤信息和警告信息; 主函數分析 讀入檢測結果的json文件和ground truth的j

原创 我在讀pyTorch文檔(一)

Cuda 在Cuda上創建變量的兩個方法: 直接在GPU上創建:x = torch.cuda.FloatTensor(1); 在CPU上創建然後轉移到GPU上:x = torch.FloatTensor(1).cuda(); 多

原创 我在讀pyTorch文檔(四)

torch.nn.Module 打印所有子模塊: for sub_module in model.children(): print(sub_module) 按照名字打印子模塊: for name, module in m

原创 我在讀pyTorch文檔(三)

數據類型 CPU數據類型:torch.FloatTensor(torch.Tensor),torch.DoubleTensor,torch.ByteTensor,torch.CharTensor,torch.ShortTenso

原创 好的pytorch網絡資源

持續更新。。。。。。。。。。。。。。。。 實現Siamese:https://hackernoon.com/facial-similarity-with-siamese-networks-in-pytorch-9642aa9db

原创 紀念一下pyTorch自由讀取txt路徑存儲格式的圖片數據

pyTorch自由讀取txt路徑存儲格式的圖片數據 import pdb import numpy as np import torch, cv2, os, random from torch.utils import data

原创 CREST: Convolutional Residual Learning for Visual Tracking

本文概覽 分析DCF系列跟蹤算法的不足,並加以改進; 本文核心一:將DCF作爲CNN中的一個卷積層; 本文核心二:將特徵提取,響應圖產生以及模型更新整合到CNN中進行端對端訓練; 本文核心三:將殘差學習的思想用於深度目標跟蹤網絡

原创 我在讀pyTorch文檔(二)

常用Torch自帶Tensor處理函數 bool = torch.is_tensor(x):判斷x是否爲pytorch張量; bool = torch.is_storage(x):判斷x是否爲pytorch對象; N = tor

原创 計算一下pytorch中Resnet34模型前傳一次所需要的時間

import pdb import time import torch import torchvision.models as models from torch.autograd import Variable class

原创 紀念一下終於搞出來的PyTorch的Multi-GPU使用代碼

PyTorch多GPU使用例程 import os import pdb import time import torch import torch.nn as nn from torch.autograd import Vari

原创 Decoupled Networks(DCNet) 閱讀筆記

1,Motivation: CNN-learned features are naturally decoupled with the norm of features corresponding to the intra-class v

原创 ECO:Efficient Convolution Operators for Tracking 閱讀筆記

本文概覽: 1,作者:Martin Danelljan; 2,靈感來源:自從KCF出現後,基於KCF改良的CF類跟蹤器效果越來越好,但是速度越來越慢; 3,解決問題:在提升改進CF模型的性能的同時增加其速度,同時避免速度過慢和過擬合併