行人充重识别行人充重识别行人充重识别行人充重识别行人充重识别行人充重识别行人充重识别行人充重识别行人充重识别行人充重识别

ckpt-person-reid-pytorch-deep-sort_20211201.rar

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

行人重识别的综述 一个行人沿着图中红色的轨迹从左往右经过了拐角处的两个摄像头。（两个摄像头拍摄的范围没有交叉的部分），即经过一个摄像头后，中间有一段时间没有被任何摄像头拍到，然后再经过第二个摄像头，即给定一个监控设备下的行人图像，检索跨设备下的该行人图像。

介绍 YouReID是一个轻型研究框架，可为一些reid任务实现一些最新的人员重新识别算法，并提供一些强大的基线模型。 主要特点 简单的设计风格，易于使用和定制。 您可以在5分钟内上手。 支持混合精度和DistributedDataParallel训练，从而实现了更高的效率。 您可以使用Market-1501数据集上的两个16GB V100在25分钟内运行基线模型。 一些强大的基线方法，包括基线，PCB，MGN。 特别是，在Market-1501数据集上，基准模型的性能达到mAP = 87.65％和rank-1 = 94.80％。 支持某些reid任务的最新方法。 模型动物园 该项目提供了以下算法和脚本来运行它们。 请在说明列中提供的链接中查看详细信息 场地 ABBRV 演算法 描述 地位 SL 互联网 完成的 金字塔 完成的 UDA 行为 即将来临 闭塞的 零件网 完

code for Large Scale Metric Learning from Equivalence Constraints