橙同学的学习笔记

摘要： Introduction 本文有如下3个贡献： ① 提出了一个自下而上（bottom-up）的聚类框架（BUC）来解决无监督的ReID问题； ② 采用repelled损失来优化模型，repelled损失直接优化了样本、聚类之间的余弦距离，可以挖掘聚类之间的相似性以及最大化不同身份之间的差异性； ③ 阅读全文

摘要： Introduction （1）Motivation： 当前的基于视频的reid可以大致分为以下两类工作： ① 提取帧级特征，通过池化或者加权学习生成视频特征； ② 提取帧级特征，应用RNN生成视频特征。 前者损失了帧的顺序信息，后者主要提取高阶特征但无法捕捉图像局部细节。 3D CNN对连续帧的视 阅读全文

摘要： Introduction 每个行人图片都会有视角、姿态等状态信息，虽然自身不带标签，但可以预测这些状态信息作为伪标签，如下图： 由于无监督学习通常存在结果出错的问题，一些未标签的样本会偏离正确的决策边界，为此作者提出了弱监督决策边界修正（weakly supervised decision boun 阅读全文

摘要： Introduction （1）Motivation： ① 大部分基于视频的reid方法把视频序列看做图片集，没有注意到动作遮挡引起质量差异，（带噪声的序列称为未正规化序列）。 ② 有的方法采用了跟踪步态周期的光流算法，但方法在噪声的影响下很难获得可靠的光流估计。 （2）Contribution： 阅读全文

摘要： Introduction 当前主要的非监督方法都采用相同的训练数据集，这些数据集在不同摄像头中是对称的，即不存在单个行人的错误项，这些方法将在实际场景中效果下降。在本方法中，作者引入了非对称数据，如下图所示，提出了一个在真实环境下的非监督深度神经网络。 提出一个标签估计方法：a novel Robu 阅读全文

摘要： Introduction 在视频序列中，有些帧由于被严重遮挡，需要被尽可能的“忽略”掉，因此本文提出了时间注意力模型（temporal attention model，TAM），注重于更有相关性的帧。 常规的矩阵学习通常用特征的距离来进行计算，但忽视了帧之间的差异，上图可以看出，本文的方法考虑了相邻 阅读全文

摘要： Introduction （1）Motivation: 当前CNN无法提取图像序列的关系特征；RNN较为忽视视频序列前期的帧信息，也缺乏对于步态等具体信息的提取；Siamese损失和Triplet损失缺乏对label信息的考虑（？？？）。 （2）Contribution： 提出一个新的端到端网络框架 阅读全文

摘要： Introduction （1）Motivation： 作者考虑到空间上的噪声可以通过时间信息进行弥补，其原因为：不同帧的相同区域可能是相似信息，当一帧的某个区域存在噪声或者缺失，可以用其它帧的相同区域进行弥补。 （2）Contribution： ① 不直接使用帧提取的特征信息，而是提出一个改进循环 阅读全文

摘要： Introduction （1）问题描述： super resolution（SP）问题：Gallery是 high resolution（HR），Probe是 low resolution（LR）。 （2）当前存在的问题： ① 当前的半耦合（semi-coupled）矩阵学习是解决SR复原，而不是 阅读全文

摘要： 论文阅读笔记（十七）ICCV2017的扩刊（会议论文【传送门】） 改进部分： （1）惩罚函数：原本由两部分组成的惩罚函数，改为只包含 Sequence Cost 函数； （2）对重新权重改进： ① Positive Re-Weighting： 其中 若太大，则选择的样本标签的可信度小；若太小，则样本 阅读全文