pengcw

摘要： 本节翻译自：https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-5/ 在前一节最后，我们实现了一个将网络输出转换为检测预测的函数。现在我们已经有了一个检 阅读全文

摘要： 本节翻译自：https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-4/ 前一节我们实现了网络的前向传播。这一节我们对检测输出设置目标置信度阈值和进行非极大 阅读全文

摘要： 本节翻译自：https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-3/ 前一节我们实现了YOLO结构中不同类型的层，这一节我们将用Pytorch来实现整个 阅读全文

摘要： 本节翻译自：https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-2/ 必备条件： 下面我将假设你有了一定的PyTorch基础。如果您是一个入门者，我建议 阅读全文

摘要： 本教程翻译自https://blog.paperspace.com/how-to-implement-a-yolo-object-detector-in-pytorch/ 视频展示:https://www.youtube.com/embed/8jfscFuP_9k（需要FQ） 深度学习的发展给目标检 阅读全文

摘要： 简介: 这是一篇19年CVPR的跨域无监督Re-ID论文，在Market1501和DukeMTMC-reID上分别达到了67.7%和67.1%的rank-1精度，算是一篇将准确度刷得比较高的论文了，在这篇论文中主要是偏重了loss函数的设计而非网络结构，所以理解起来还是有一定难度的，下面就来一探它的 阅读全文

摘要： 简介：这篇文章属于跨域无监督行人再识别，不同于大部分文章它使用了属性标注。旨在于能够学习到有属性语义与有区分力的身份特征的表达空间（TJ-AIDL），并能够转移到一个没有看到过的域。 贡献： 之前工作存在的问题： Re-ID: 依赖手工特征；缺乏有效域适应能力；单独利用身份与属性标注信息忽略了它们的 阅读全文

摘要： 神经网络已经在很多场景下表现出了很好的识别能力，但是缺乏解释性一直所为人诟病。《Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization》这篇论文基于梯度为其可解释性做了一些工作，它可以显著描述哪块 阅读全文

摘要： 行人再识别Re-ID面临两个特殊的问题： 1）源数据集和目标数据集类别完全不同 2）相机造成的图片差异 因为一般来说传统的域适应问题源域和目标域的类别是相同的，相机之间的不匹配也是造成行人再识别数据集数据分布不同的主要原因之一，如何在域适应中有效利用相机信息还没有一个很好的解决方案。 在这篇论文中， 阅读全文

摘要： StarGAN的引入是为了解决多领域间的转换问题的，之前的CycleGAN等只能解决两个领域之间的转换，那么对于含有C个领域转换而言，需要学习C*(C-1)个模型，但StarGAN仅需要学习一个，而且效果很棒，如下： 创新点：为了实现可转换到多个领域，StarGAN加入了一个域的控制信息，类似于CG 阅读全文