2 matlabLKL

尚未进行身份认证

发帖主要是为了整理自己的心得,仅供参考,有可能内容有误,欢迎指正错误,互相学习!

等级
TA的排名 7w+

2019 CVPR之ReID:Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-

Towards Rich Feature Discovery with Class Activation Maps Augmentation for Person Re-Identification当前的问题及概述:在Re-ID任务中,人物间较小的差异需要模型来捕获足够细粒度的特性。基于此,1,本文通过CAM扩展了baseline重建模型的激活范围,以探索丰富的视觉线索。2,提出了一种Overlapped Activation Penalty方法,使当前分支对先前分支激活较少的图像区域给予更多的关注,

2020-05-20 15:36:27

2019 CVPR:Patch-based Discriminative Feature Learning for Unsupervised Person Re-identification

Patch-based Discriminative Feature Learning for Unsupervised Person Re-identification当前的问题及概述:虽然针对差异性局部特征对ReID任务是有效的,但它们仅限于成对的被标记数据大间隙上进行训练,但在其他小间隙的不相似部分获取起来成本较大。如下图:本文提出了一个基于patch的无监督学习框架来克服这个问题,以便从patch而不是整个图像中学习识别特征,大大减少了计算复杂度和成本。模型及loss:本文提出的Pat

2020-05-14 13:28:23

2018 CVPR:Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training

Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training当前的问题及概述:大多数现有的方法高度依赖bounding box,然而,由于实际场景的限制,目前的检测模型往往产生不准确的bounding box,进而避免了算法的性能。本文提出了一种新的由粗到细的金字塔模型,该模型不仅融合了局部信息和全局信息,而且还强化了局部信息和全局信息之间的线索,避免了bounding box的不准确性带来的影响。可以从下图看到,由于boundi

2020-05-12 17:06:13

2019 CVPR之ReID:Joint Discriminative and Generative Learning for Person Re-identification

Joint Discriminative and Generative Learning for Person Re-identification当前的问题及概述:目前,ReID任务通过GAN网络训练越来越热门,然而,现有方法中的G途径与D再识别学习阶段相对独立。因此,reid模型通常直接对生成的数据进行训练。本文提出了一个联合学习框架,将ReID任务和端到端的图像生成结合起来。提出的模型包括一个生成模块,它将每个人分别编码为一个外观码和一个结构码,以及一个判别模块,它与生成模块共享外观编码器。生成模

2020-05-09 12:43:09

2019 CVPR之ReID:Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-Identification

Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-Identification当前的问题及概述:本文研究的是从标记的源域和未标记的目标域学习一个新的领域自适应ReID模型。以往的方法主要是减少源域和目标域之间的特征分布距离。然而,这样忽略了目标域内部的变量从而影响实验结果。而本文通过样本不变性、相机不变性和近...

2020-05-06 20:39:48

2019 CVPR之ReID:Densely Semantically Aligned Person Re-Identification

Densely Semantically Aligned Person Re-Identification当前的问题及概述:目前ReID如图1中存在的问题:(a)不同的摄像机视点,(b)不同的姿态,©不完善的人检测,(d)局部内的错位,(e)杂乱的背景,(f)遮挡而造成的人的空间错位。本文通过对人即时信息语义的估计,构造了一组语义密集对齐的局部图像(dsap image),其中相同的空间位...

2020-04-30 23:06:35

2019CVPR之ReID:Distilled Person Re-identification Towards a More Scalable System

Distilled Person Re-identification Towards a More Scalable System当前的问题及概述:目前RGB-RGB ReID包含3个问题:(1)通过减少标签量来降低标签成本;(2)通过重用现有知识来降低扩展成本;(3)通过使用轻量级模型来降低测试计算成本。这三个问题本文统称为可扩展性问题。因此,本文基于这一问题,提出了一个可扩展自适应Re-...

2020-04-29 12:59:07

2020 AAAI之ReID:Infrared-Visible Cross-Modal Person Re-Identification with an X Modality

Infrared-Visible Cross-Modal Person Re-Identification with an X Modality论文:https://download.csdn.net/download/qq_41967539/12363836当前的问题及概述:1,红外和可见光分别包含了许多不同的信息,以往的方法倾向于直接从这两种原始模态中学习跨模态信息。但结果说明这种直接映...

2020-04-26 13:27:21

2020 CVPR之image matting:Background Matting:The World is Your Green Screen

Background Matting:The World is Your Green Screen当前的问题及概述:现有的方法都需要背景和trimap信息进行estimate matte在本文中,我们需要原图及背景的附加照片,虽然准备阶段复杂,但节省了大量创造trimap的时间以及提升了最终的效果。具体见图1:模型及loss:输入为原图I和背景图B’,通过生成的soft segmen...

2020-04-23 21:41:53

2020 TIP之image matting:BACKGROUND MATTING

BACKGROUND MATTING当前的问题及概述:目前的alpha matting方法主要依赖于trimap来指导estimate alpha。而本文研究了除了trimap信息外的背景信息和alpha信息进行estimate alpha。模型及loss:2.1 Generator G本文提出的AlphaGan-BG Network是建立在第一个提出的GAN来估计alpha matt...

2020-04-16 17:03:15

2020 CVPR之image matting:AlphaNet: An Attention Guided Deep Network for Automatic Image Matting

AlphaNet: An Attention Guided Deep Network for Automatic Image Matting当前的问题及概述:本文提出的image matting方法是一种将语义分割和深度图像匹配过程融合成单一网络的方法,以生成用于图像合成任务的详细的语义匹配。1.提出了一种新的模型结构,将上采样和下采样算子的功能与attention相结合,并将分割和匹配(m...

2020-04-14 19:18:19

2019 ICCV之image matting:Disentangled Image Matting

Disentangled Image Matting当前的问题及概述:以前的大多数图像匹配方法都需要一个大致指定的trimap作为输入,并为trimap未知区域中的所有像素估计分数alpha值。直接从粗糙的Trimap估计alpha matte是先前方法的主要局限性,因为这种做法试图同时解决两个困难且本质上不同的问题:识别Trimap区域内的真实混合像素, 和为它们估算准确的alpha值。提...

2020-04-10 16:03:10

2017 CVPR之image matting(抠图):Deep Image Matting

Deep Image Matting当前的问题及概述:当图像具有相似的前景和背景颜色或复杂的纹理时,以往的算法性能较差,主要是两个方面:1)只使用low-level feature,2)缺少high-level context。本文较之间的工作最大的改进在于,本文更加细致的学习了alpha mattes中的自然结构,而不是主要依赖颜色信息进行image matting。模型及loss:2...

2020-04-08 12:05:53

2018 CVPR之语义分割:Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing

Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing当前的问题及概述:在语义分割任务中,为了减少人工标注的数据量,现在的很多算法转移到了弱监督任务(有image-level标注,无pixel-level标注)上,目前研究该问题的方法主要是利用深度网络对每个对象类的稀疏区域和描述区域进行推理...

2020-04-02 15:19:14

2018 BMVC之GAN+seg:Adversarial Learning for Semi-Supervised Semantic Segmentation

Adversarial Learning for Semi-Supervised Semantic Segmentation当前的问题及概述:现有的鉴别器大都在图像层次上对输入图像进行真伪分类训练,而我们设计了一种全卷积的鉴别器,在考虑空间分辨率的情况下,从ground-truth中对预测概率图进行区分。此外,全卷积鉴别器通过在未标记图像的预测结果中发现可能区域,实现半监督学习,从而提供额外的...

2020-03-30 23:06:15

2017 NIPS之GAN+seg:Generative Semantic Manipulation with Contrasting GAN

Generative Semantic Manipulation with Contrasting GAN当前的问题及概述:如今的GAN网络在图片风格迁移方面有了很大的突破,但是现有的模型只能传递low-level信息(如颜色或纹理变化),而不能编辑high-level语义信息(如几何结构或内容)。另一方面,虽然一些研究可以合成具有类标签或说明的引人注目的真实世界图像,但它们不能限定任意的形状...

2020-03-29 15:01:50

2020 CVPR之视频动作识别:Multi-Modal Domain Adaptation for Fine-Grained Action Recognition

Multi-Modal Domain Adaptation for Fine-Grained Action Recognition当前的问题及概述:无监督域适应(UDA)方法经常用于源域和目标域之间的对抗训练。但在一个环境中培训一个模型,然后部署到另一个环境中,由于不可避免的域转换,会导致性能下降。而且这些方法并没有探索视频在每个域中的多模态特性。本文提出了多模态动作识别的UDA方法。改进的...

2020-03-27 19:26:19

2019 ICIP之多光谱行人检测:UNPAIRED CROSS-SPECTRAL PEDESTRIAN DETECTION VIA ADVERSARIAL FEATURE LEARNING

UNPAIRED CROSS-SPECTRAL PEDESTRIAN DETECTION VIA ADVERSARIAL FEATURE LEARNING当前的问题及概述:本文提出的框架采用行人检测网络和区域生成的对抗网络,能够生成互补的跨光谱行人特征。本文多光谱行人检测的说明:模型及loss:本文提出的跨模态行人检测框架。使用两个交叉光谱嵌入网络将每个光谱图像编码到公共空间中。为了对...

2020-03-22 11:06:20

2018 AAAI之人脸识别:Adversarial Discriminative Heterogeneous Face Recognition

Adversarial Discriminative Heterogeneous Face Recognition当前的问题及概述:在NIR-VIS图像转换的一个主要挑战是,图像对在大多数数据库中没有准确对齐。即使我们可以根据面部的位置标记对图像进行对齐,同一对象的姿势和面部表情仍然有很大的差异。 本文提出了一种对抗式特征学习框架,分为跨模态面部生成模块和对抗判别特征学习模块。这两个部分分别...

2020-03-20 23:04:18

2019 ICCV之多光谱行人检测:Weakly Aligned Cross-Modal Learning for Multispectral Pedestrian Detection

Weakly Aligned Cross-Modal Learning for Multispectral Pedestrian Detection当前的问题及概述:真实的多光谱数据存在位置偏移问题,即彩色热像对没有严格对齐,使得一个物体在不同的模式中有不同的位置。在本文中,提出了一种新的对齐区域CNN (AR-CNN)来处理端到端的弱对齐数据。a是目前数据集弱对齐图示,b为本文的框架思...

2020-03-18 18:58:09

查看更多

勋章 我的勋章
  • 签到新秀
    签到新秀
    累计签到获取,不积跬步,无以至千里,继续坚持!
  • 技术圈认证
    技术圈认证
    用户完成年度认证,即可获得
  • 新人勋章
    新人勋章
    用户发布第一条blink获赞超过3个即可获得
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv4
    勤写标兵Lv4
    授予每个自然周发布9篇以上(包括9篇)原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。
  • 学习力
    学习力
    《原力计划【第二季】》第一期主题勋章 ,第一期活动已经结束啦,小伙伴们可以去参加第二期打卡挑战活动获取更多勋章哦。
  • 分享达人
    分享达人
    成功上传6个资源即可获取