Person Re-identification:Past, Present and Future.pdf
2021-11-29 21:18:53
3.61MB
1
郑哲东 Deep-ReID：行人重识别的深度学习方法。
Person re-identification
Background
Learn pedestrian representations from
2021-11-29 11:27:28
48.35MB
1
行人属性识别
基于VesPA，WPAL的一些行人属性识别方法。 PA-100K和RAP进行培训。
2021-10-09 16:41:45
71.9MB
1
行人属性识别纸张列表[ ]
人物属性识别纸质清单
从2014年到2020年在PETA和RAP数据集上的性能比较。我们发现，在两个大型基准数据集上，基线方法CNN-SVM的性能远胜于最近基于深度学习的PAR方法。 有趣的是，我们还可以发现，当前基于深度学习的方法的准确性是可比的，并且与几年前提出的深度PAR算法相比，当前方法（在2020年）没有显着改善。 那么，如果基于深度学习的PAR算法达到瓶颈，那么下一步该怎么办？
笔记：
欢迎来到我们的微信群进行进一步讨论，请扫描此
或扫描此内容以添加我的[注意：姓名+学校/公司]
如果您找到有关人的属性识别的更多相关论文，请给我发送电子邮件：
[ ] [] []
如果您发现此调查对您的研究有用，请考虑引用以下文章：
@article{wang2019parsurvey,
title={Pedestrian attribute re
2021-10-09 16:33:07
2.87MB
1
行人重识别最新数据集：MSMT_V1版本数据集，为最初版本，MSMST17以及MSMT_V2版本若有需要，请私信邮箱！
2021-09-05 17:31:35
66B
1
行人再识别Person-reID的Pytorch实现
Person_reID_baseline_pytorch 一个小巧、友好、强大的 Person-reID 基线代码（基于 pytorch）。
强的。
它与几个顶级会议工作中的新基线结果一致，例如，用于人员重新识别的联合判别和生成学习（CVPR19）、超越部件模型：具有精细部件池的人员检索（ECCV18）、用于人员的相机风格适应重新识别（CVPR18）。
我们到达 Rank@1=88.24%, mAP=70.68% 仅使用 softmax 损失。
小的。
使用 fp16（由 Nvidia apex 支持），我们的基线可以仅使用 2GB GPU 内存进行训练。
友谊赛。
您可以使用现成的选项在一行中应用许多最先进的技巧。
此外，如果您不熟悉 person re-ID，您可以先查看我们的教程（8 分钟阅读）:thumbs_up:。
目录 特性 一些新闻 训练模型先决条件 入门 安装 数据集准备 训练测试评估 使用其他数据集进行训练的技巧 引文 相关存储库功能 现在我们支持： Float16 以节省 GPU 内存，基于 a
2021-08-26 17:32:38
271KB
1