xiaoyaoxie

摘要： 多任务级联 通过级联（即顺序连接）不同的任务来改善整体模型性能。这种方法通常涉及将几个相关的任务组织成一个流水线，其中每个任务的输出都作为下一个任务的输入。多任务级联的核心思想是利用不同任务之间的内在联系和互补信息，以此来增强模型的泛化能力和提高特定任务的精度。 多任务级联网络，来自https:// 阅读全文

摘要： PHA: Patch-wise High-frequency Augmentation for Transformer-based Person Re-identificationhttps://openaccess.thecvf.com/content/CVPR2023/papers/Zhang_ 阅读全文

摘要： ROI ROI代表“感兴趣区域”（Region of Interest）。它指的是图像中被选定进行进一步分析或处理的那部分区域，这些区域被认为比图像的其他部分包含更多的有用信息。 仿射变换 建议看一下CSDN的文章https://blog.csdn.net/sinat_29957455/articl 阅读全文

摘要： 全局特征 针对于行人重识别来说是指将整个图片送入模型进行特征提取得到的向量。一般卷积神经网络层数越深，得到的越是全局特征。 局部特征 局部特征可能指的是图像中的边缘、角点、纹理等基本视觉元素。一般是卷积神经网络的浅层得到的特征。 序列特征 数据按照时间顺序或某种逻辑顺序排列， 行人重识别中主要针对的 阅读全文

摘要： 典型相关分析(CCA) 视觉关系 图网络 对抗博弈机制 条件随机场 变分自编码器 增量学习 哈希函数 汉明距离 阅读全文

摘要： Towards Unified Text-based Person Retrieval:A Large-scale Multi-Attribute and Language Search Benchmark（SOTA） 1 INTRODUCTION 问题： 由于个人隐私的问题， 缺乏数据。 由于在进 阅读全文

摘要： 召回率(Recall) 也被称为真正率（True Positive Rate），是指在所有正类中，模型正确识别出的正类所占的比例。召回率越高，意味着模型遗漏的正类越少。 \(Recall = \frac{真正例(TP)}{真正例(TP)+假负例(FN)}\) 例子： 假设在一个大型购物中心内，有一个 阅读全文

摘要： label smoothing Label Smoothing的思想是将这种绝对的独热标签变得稍微“柔和”一些。具体来说，对于一个K类分类问题，而不是使用[1, 0, 0, ..., 0]这样的独热标签，Label Smoothing会将标签变为形如[0.9, 0.05, 0.05, ..., 0] 阅读全文

摘要： VGSG: Vision-Guided Semantic-Group Network for Text-based Person Search （链接：https://arxiv.org/abs/2311.07514） 1. 网络架构 1. CLIP baseline 基于文本的行人重识别最大的问题 阅读全文

摘要： 1. InfoNCE loss(源自知乎https://zhuanlan.zhihu.com/p/506544456 ) 1.引入 把对比学习看成是一个字典查询的任务，即训练一个编码器从而去做字典查询的任务。假设已经有一个编码好的queryq以及一系列编码好的样本k0, k1, k2...， 把k0 阅读全文