上一页 1 2 3 4 5 6 7 ··· 13 下一页
摘要: Introduction 本文认为文本-图像reid的难点包含两方面:1) 文本和图像两者特征差异,2) 域适应 (比如一些文本在训练过程中没有遇到,在测试时就难以适应)。 本文的贡献:1) 提出了一个基于文本的行人检索框架;2) 提出了一个Cross-domain Bi-directional A 阅读全文
posted @ 2020-12-28 10:07 橙同学的学习笔记 阅读(263) 评论(0) 推荐(0) 编辑
摘要: Introduction 本文的贡献主要分为两部分: 1) 提出了一个baseline,包含了视觉特征的提取网络、bi-directional LSTM语言编码器、三元组损失; 2) 提出了一个mutually connected classification loss (互联分类损失)。 Prop 阅读全文
posted @ 2020-12-25 11:00 橙同学的学习笔记 阅读(257) 评论(1) 推荐(0) 编辑
摘要: Introduction 本文研究是基于文本的行人检索,如下图: 作者先介绍了一下GNA-RNN方法:将每个单词和图像计算相关度,再通过注意力机制进行加权求和获得整个文本与图像的相关度。 本文认为GNA-RNN方法存在一些不足:1)对图像空间中的关键属性感知能力不强(如文本是“黄色衬衫”,会将“黄色 阅读全文
posted @ 2020-12-22 09:05 橙同学的学习笔记 阅读(499) 评论(0) 推荐(0) 编辑
摘要: Inter-Task Association Critic for Cross-Resolution Person Re-Identification【CVPR2020】 作者将HR-LR Reid的方法分为两类:① 学习一个适应分辨率(resolution-invariant)的表征方法;② 才用 阅读全文
posted @ 2020-10-23 14:33 橙同学的学习笔记 阅读(737) 评论(0) 推荐(1) 编辑
摘要: Image Super-Resolution Using Dense Skip Connections【ICCV2017】 采用更深层的神经网络能够提取更丰富的纹理细节,同时也会带来训练上的困难。残差连接(skip connection)有3方面的优势:可以为低高阶信息的传递提供捷径,使得网络结构的 阅读全文
posted @ 2020-09-22 09:44 橙同学的学习笔记 阅读(597) 评论(0) 推荐(2) 编辑
摘要: Cross-Resolution Person Re-identification with Deep Antithetical Learning【ACCV2018】 一些LR-HR匹配的方法是把图像映射到一个特征空间中,但这种方法会扰乱原有的图像分布,需要做大量的图像预处理。为此,作者提出了一种d 阅读全文
posted @ 2020-09-20 11:21 橙同学的学习笔记 阅读(1137) 评论(0) 推荐(2) 编辑
摘要: Super-resolution Person Re-identification with Semi-coupled Low-rank Discriminant Dictionary Learning 【CVPR2015】 问题背景:gallery为高分辨率,probe为低分辨率。 本文提出了Se 阅读全文
posted @ 2020-09-12 11:20 橙同学的学习笔记 阅读(2138) 评论(1) 推荐(1) 编辑
摘要: RGB-Infrared Cross-Modality Person Re-Identification【ICCV2017】 该论文开创了RGB-IR跨模态行人重识别分支领域。 本文首先列举了三类适用于跨模态的网络模型: ① 单分支结构: ② 双分支结构: ③ 不对称全连接层结构: 作者提出了Deep 阅读全文
posted @ 2020-09-11 14:36 橙同学的学习笔记 阅读(1609) 评论(2) 推荐(0) 编辑
摘要: Introduction 本文主要解决RGB-IR跨模态匹配问题。贡献主要有三部分组成: ① 提出了 Hierarchical Cross-Modality Disentanglement(Hi-CMD)方法,该模块的目的是排除姿态、光照这些冗余特征(ID-excluded)的影响,提取出更加有判别 阅读全文
posted @ 2020-07-18 13:25 橙同学的学习笔记 阅读(1410) 评论(0) 推荐(0) 编辑
摘要: 本文提出的方法思想是利用属性信息来挖掘各个局部特征的权重,如下图所示。 网络框架如下图。框架对人体的六组属性进行了区分:性别&年龄、头部、上半身、下半身、鞋子、背包拎包等,具体见下表。通过Resnet提取出全局的特征,通过全连接层得到6+1个特征划分,通过RAP静态行人属性数据库进行迁移学习,得到属 阅读全文
posted @ 2020-07-10 13:15 橙同学的学习笔记 阅读(784) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 7 ··· 13 下一页