简单实现跨模态检索（pycharm运行）

基于非线性跨模态哈希的视频检索，丁斌，程祥，在以图搜视频的视频检索任务中，现有基于哈希的视频检索算法均采用线性映射的方式将视频信息映射为哈希码。然而线性映射对于复杂

matlab alexnet图像识别代码可见热力人员重新识别（交叉方式人员Re-ID） AAAI 2018和IJCAI 2018中的演示代码。 AAAI 18论文的框架：两阶段框架（特征学习+公制学习） IJCAI 18论文的框架：端到端学习 1.准备数据集。 可以通过提交版权表格从中下载RegDB数据集。 （其名称为“东国基于身体的人的识别数据库（DBPerson-Recog-DB1）”。） 2. AAAI中的两流CNN网络功能学习（TONE） 所有代码都在用Python编写的文件夹“ TONE /”中。 该演示代码已在Python 2.7和Tensorflow v0.11上进行了测试。 一种。 准备数据集和训练/测试列表，如TONE/dataset.py所示。 列表格式为image_path label 。 b。 下载预训练的alexnet模型并修改TONE/model.py 。 C。 运行python TONE/tone_train.py训练网络。 d。 运行python TONE/tone_eval.py评估学习的功能并提取功能以供以后的度量学习。 （您还可以修改脚本以获取不同

跨模态检索指的是：根据一个模态的查询样本，在另一个模态上搜索相关的样本。 例如，给出一张图像，去检索包含相同对象或主题的文本描述；或是给出一段文本，去检索带有其描述对象的图片。 但由于各模态之间具有不同的数据表现形式，所以不同模态的样本间并不能直接进行相似性比较。 以Pascal Sentence数据集为实力，用pytorch写一个demo 文章链接：https://blog.csdn.net/zzpl139/article/details/128372023

分享看过的跨模态行人重识别方向的最新论文 感兴趣的可以看看呦

跨模态注意力引导卷积网络用于多模态心脏分割

这个部分包含了19篇cross-module ReID 和1篇人脸识别的paper及阅读笔记，从2017-2020目前能找到的所有的跨模态RdID 文章，方便大家使用

％这个Matlab脚本用于计算和绘制跨模态保证标准％（MAC）基于给定的模式形状数据百分比：2020年11月30日 ％注意：madeShape是一个具有行（DOF数）和列（模式数）的矩阵％示例：load modeShape1.mat ％加载模式％MAC = crossMAC（modeShape1，modeShape2）;

单模态和跨模态检索任务 依存关系 我们建议对以下软件包使用Anaconda：Python 2.7， （> 0.1.12）， （> 1.12.1）， 朋克句子分词器： import nltk nltk . download () > d punkt 下载资料 在此示例中，我们使用MSCOCO图像标题作为数据集，对于单个模型（图像或文本），您只能使用图像/文本作为训练数据，皮质模态检索与单个模态检索共享相同的框架。 您可以从MSCOCO图像字幕网站下载数据，或从和下载预先计算的图像功能。 要使用完整的图像编码器，请在，和从其原始来源下载图像。 wget http://www.cs.toronto.edu/~faghri/vsepp/vocab.tar wget http://www.cs.toronto.edu/~faghri/vsepp/data.tar wget http:/

它是从两个对齐的摄像头（一个可见，一个远红外）收集的。总共有412人。每个人有10个可见光图像和10个远红外图像。