han jan的博客

原创 面试编程整理

1、某教育互联网公司编程题题目：求s有多少个子序列为t求解：动态规划# s = 'rabbbit'# t = 'rabit' # res=3s = "babgbag"t = "bag" # res=5m = len(s)n = len(t)dp = [[0 for _ in range(n+1)] for i in range(m+1)] # dp[i][j]表示s[:i]以i结尾子序列是有多少个t[:j]for i in range(m+1): for j in ran

原创 修改Desktop位置

原创 YOLOMAML

YOLOMAML：两重循环，外循环用来更新meta-learner的参数，内循环用来更新base-learner的参数，meta-learner和base-learner是一个网络。外循环每次迭代，采样很多个任务｛T1-Ti｝，每个任务使用meta-learner的参数\theta，初始化base-learner，然后梯度下降number_of_updates_per_task次，然后使用T...

原创 Leetcode-39. 组合总和

给定一个无重复元素的数组candidates和一个目标数target，找出candidates中所有可以使数字和为target的组合。candidates中的数字可以无限制重复被选取。说明：所有数字（包括target）都是正整数。解集不能包含重复的组合。示例1:输入: candidates = [2,3,6,7], target = 7,所求解集为:...

原创 A Simple Pooling-Based Design for Real-Time Salient Object Detection

这是一篇CVPR2019的文章网络结构如上图所示，为改进的FPN的“倒U”字结构。首先是VGG16或ResNet50结构形成的bottom-up pathway，然后再进行上采样、特征图融合的up-down pathway。最终恢复到原输入图片大小，经过kernels=1的卷积层分类得到显著性图。VGG16或者ResNet50降采样形成1/2、1/4、1/8、1/16四个特征图1、...

原创 Feature Selective Anchor-Free Module for Single-Shot Object Detection

一、介绍这是一篇CVPR2019已经接收的论文，作者提出了特征选择的anchor-free模块（feature selective anchor-free module, FSAF）。它能够插入到具有特征金字塔结构的单阶段目标检测器中。FSAF模块解决了传统基于anchor检测的两个局限：1）基于anchor检测采用启发式的特征选择（即根据bbx大小选择特征层）的局限 2）重复的anchor采...

原创 some concepts about object detection

Single-shot detector:单阶段检测器Multi-shot detector:双（多）阶段检测器IoU loss:Focal loss:

原创 Proxy settings

1、gitset:git config --global http.proxy 'socks5://127.0.0.1:1080'git config --global https.proxy 'socks5://127.0.0.1:1080unset:git config --global --unset http.proxygit config --global -...

原创 xmanager远程运行图形界面字体、图像模糊

把xshell设置禁止使用高DPI缩放即可。注意不是设置xmanager。

原创 Few-shot Learning with Meta Metric Learners

一、介绍现有的基于元学习、度量学习的小样本学习方法在处理diverse domains和various classes上存在局限。元学习训练一个meta learner预测具有相同结构，但针对不同任务网络的权重。度量学习针对不同任务学习一个不随任务改变，适应所有任务的度量。当任务间差异较大时，度量学习将会失败，学不到这样的度量。作者提出了一个元度量学习的方法，利用度量学习的匹配网络作为base...

原创 Unsupervised Person Re-identification by Deep Learning Tracklet Association

一、介绍作者提出了一个序列联系无监督深度学习框架（Tracklet Association Unsupervised Deep Learning (TAUDL)）来解决无监督的行人再识别问题。作者的方法能够联合学习视野内部tracklet的联系以及视野间tracklet的联系，不需要任何额外标注。实验证明TAUDL在6个行人再识别数据集上超过了现有的无监督方法和迁移学习方法。二、作者的方法...

原创 A Bottom-up Clustering Approach to Unsupervised Person Re-identification （AAAI2019）

一、介绍这篇文章解决的是无任何标签的无监督行人再识别问题，作者提出了一种自底向上聚类方法（bottom-up clustering BUC）来联合优化CNN和无标签样本间的关系。作者的方法考虑到了行人再识别任务的两个基本的事实：不同人间的diversity和同一个人间的similarity。作者的算法最开始把每个人作为单独的一类，来最大化每类的diversity，然后逐渐的把相似的类合并为同一...

原创 Spatial and Temporal Mutual Promotion for Video-based Person Re-identification

一、介绍在这篇文章发表在AAAI2019上，解决的是全监督的视频行人重识别问题。作者没有采取通过每个视频帧特征提取时域特征的方法（RNN/LSTM），而是提出了一个递归精炼单元（refining recurrent unit, RRU），能够根据历史视频帧来恢复当前帧被遮挡和噪声污染的部分（RRU输入和输出的对象是视频帧经过Inception-v3后的特征图）。然后，作者提出了一个时空线索整合...

原创 特征匹配的编程快速实现

这个知识点容易遗忘，又很常见，因此记下来方便以后查询。

原创 Attention-based Few-Shot Person Re-identification Using Meta Learning

一、介绍作者使用元学习的方法，通过构建gallery encoder和probe encoder使得gallery image图片能够根据其余gallery images提取特征，probe image能够根据gallery iamges提取特征，达到了很好的效果，few-shot的情况下就超过了全监督的方法。作者指出，当前行人重识别存在两个挑战：一是每个行人包含的样本很少。基于分类的...

原创 Leetcode-104. 二叉树的最大深度

给定一个二叉树，找出其最大深度。二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。说明: 叶子节点是指没有子节点的节点。示例：给定二叉树 [3,9,20,null,null,15,7]， 3 / \ 9 20 / \ 15 7返回它的最大深度 3 。解答：/** * Definition for a binary tr...

原创 Leetcode-102. 二叉树的层次遍历

给定一个二叉树，返回其按层次遍历的节点值。 （即逐层地，从左到右访问所有节点）。示例：给定二叉树: [3,9,20,null,null,15,7], 3 / \ 9 20 / \ 15 7返回其层次遍历结果：[ [3], [9,20], [15,7]]解答：使用队列/** * Definition for ...

原创 Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification

一、介绍这是一篇华中科技大学和IBM人工智能研究中心在2017年ICCV上发表的文章。在这篇文章中，作者提出了一个新奇的联合空间和时域注意力池化网络（ASTPN）来解决视频行人重识别问题。他们提出的方法能够利用到输入视频对之间的相互依赖性，来计算得到各自的特征表示。他们网络中的空间池化层能够从每个视频帧中选择重要的区域，时域注意力池化能够在整个视频序列中选择包含判别信息的帧。这两个池化层都受到...

原创 Siamese Neural Networks for One-shot Image Recognition

一、介绍机器学习应用中学习好的特征非常computationally expensive，而且当只有少量数据时是非常困难的。这种问题是单标注学习的原型，即每类只有一个样本，以此为依据来预测分类。在这篇文章中，作者提出了一个孪生网络来评价输入图像对的相似度。当网络训练好后，就能利用它强大的判别特性来泛化到未见过数据分别的新的类别。作者的方法在单标注分类任务上有接近state of the art...

原创 ROC curve（Receiver operating characteristic）&& EER（Equal Error Rate）

ROC（Receiver operating characteristic）曲线是True positive rate – False positive rate曲线： 对于一个二分类（是/否）分类器而言，根据对测试集的分类结果得到一个（x,y）点，调整threshold阈值大小，再进行实验，就能得到新的(x,y)点。连续地调整阈值，就可以作出ROC曲线。这里的阈值是指分类器判定是或否的依...

原创 Large Scale Metric Learning from Equivalence Constraints (KISSME)

一：介绍现有的Mahalanobis度量学习方法很多是通过梯度下降来迭代更新M矩阵，监督程度较高（如需要所有样本标签的LMNN方法）和计算复杂（需要大量的迭代）对于样本数目日益增长的大规模数据集是很不友好的。作者从概率的观点，计算发生概率的最大似然比率来计算样本的马氏距离，无需进行昂贵的迭代运算，而且仅需要样本间yij=0或1 （即equivalence constraints）的监督信息，对...

原创 Screen的使用

screen在远程登陆服务器的用户断开时，仍能保证进程不被杀死，使用非常方便。重要的命令如下： screen -S newscreen #新建screenscreen -ls #查看所有screen会话screen -r newscreen #连接screenexit ...

原创 Joint Detection and Identification Feature Learning for Person Search

一、介绍现有的行人重识别方法关注在匹配裁切好的行人图像，但是这和真实场景有很大不同。真实场景中行人的bbx并不存在并且目标行人需要从一个场景图片库中查找。为了弥合这个鸿沟，作者提出了一个新的网络，不同于一般的将其分解为行人检测、行人重识别两个任务，作者搭建了一个CNN来同时解决这两个问题，即行人搜索问题。此外，作者还提出了一个新的OIM损失函数（online instance matching...

原创 Diversity Regularized Spatiotemporal Attention for Video-based Person Re-identification

一、介绍大多现存的解决视频行人重识别问题的方法是把每一帧编码成一个向量，然后对所有的帧向量进行聚合得到视频序列的特征嵌入。在实践中，行人经常被部分遮挡，这样就破坏了提取的特征。作者提出了一个新的时空注意力模型，能够自动地学习视频序列中行人特定部分（如面部、躯干、包等）。作者的模型能够很好地对抗遮挡和不对齐，有效提取所有帧中的有用信息。作者的网络学习了多个空间部分注意力模型，同时采用了一个多样性...

原创 Pycharm远程连接服务器

1、介绍原先使用Pycharm本地更改->上传服务器->服务器运行->Pycharm本地更改....的交互逻辑效率较低，很不方便。在服务器端直接使用VIM编辑程序调试、使用又不太方便。按照下面的配置能够实现在本地和服务器之间同步文件，在本地远程调用服务器的python解释器的功能。2、配置步骤配置Deployment首先，在pycharm的菜单栏依次找到:Tool...

原创 Linux tricks

Screen:创建：screen -S ###查看：screen -ls连接：screen -r ###如果不能连接：先screen -d ###   ,再screen -r ###删除： screen -S ### -X quit

原创 Video Person Re-identification with Competitive Snippet-similarity Aggregation and Co-attentive Snip

一、介绍在这篇文章中，作者通过“竞争性的片段相似度聚合”和“片段的协同注意力嵌入”的方法来解决视频行人重识别问题。具体来说，作者将两个要计算相似度的长的视频序列分成若干个等长片段(各自有Np和Ng个片段），然后计算各个片段间的相似度得到NpXNg的相似度矩阵，选择前若干百分比的相似度求平均值作为两个视频序列的相似度。通过这样的方式，可以降低类内variation对视频序列相似度估计的不利影...

原创 pytorch--little tricks

多GPU：对于一个model,使用多GPU时: model = torch.nn.DataParallel(model, device_ids=gpu_ids).cuda() 此时变为DataParallel对象，如果要访问原来model的参数attribute，则用model.module.attribute (原来model.attribute) model的保存： torch.s...

原创 Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)

一、介绍提取part-level的特征进行行人重识别提供了细粒度信息，最近的研究表明对提升行人重识别准确度非常有效。其中提取part-level特征发挥作用的关键是每个部分被准确的定位。现有一些利用外部提示的方法如姿态估计等等来定位每个部分，作者提出了一种根据每部分内容上的一致性进行定位的方法。具体地说，作者目标是学习判别能力强的part-informed features来进行行人重识别...

原创 Person Re-Identification by Deep Joint Learning of Multi-Loss Classification （JLML）

1、介绍这是一篇IJCAI2017的文章，和CVPR2018的Harmonious Attention Network for Person Re-Identification这篇的作者相同，是他们去年的工作。两篇对比来看，能看到作者方法的继承性：即CVPR2018那篇是IJCAI2017这篇加上软硬注意力以及软硬注意力交互学习的升级版。下面一起来看下IJCAI2017这篇论文。2、作者的方法...

原创 Harmonious Attention Network for Person Re-Identification

Harmonious Attention Network for Person Re-Identification1、介绍2、作者的方法3、实验细节4、实验结果1、介绍现有的行人重识别算法要么假设行人的bounding box对齐的很好，要么依赖有限制的、比较死板的注意力机制来校准没有对齐的图片。对行人大的姿态变化以及检测器检测错误的效果并不好。作者提出了一个HA-CNN的方法（harmoni...

转载 RuntimeError: all tensors must be on devices[0]

RuntimeError: all tensors must be on devices[0]该问题由于PyTorch程序设置的gpu_id编号未从0开始导致的。解决方案，在运行python命令前设置一下CUDA_VISIBLE_DEVICES：CUDA_VISIBLE_DEVICES=1,2,3 python example.py --gpu_id 0 1 2CUDA_VISI...

转载 linux环境变量

.bashrc文件 在linux系统普通用户目录（cd /home/xxx）或root用户目录（cd /root）下，用指令ls -al可以看到4个隐藏文件，.bash_history 记录之前输入的命令.bash_logout 当你退出时执行的命令.bash_profile 当你登入shell时执行.bashrc 当你登入shell时执行请注意后两个的区别：’.bash...

原创 Unsupervised Person Re-identification: Clustering and Fine-tuning

1、介绍基于全监督的行人重识别问题取得了很大的进展。但是基于无监督的行人重识别问题的进展则相对缓慢。现有研究主要集中在人工提取特征然后使用无监督方法分类上，针对的数据集规模也比较小。作者提出了一个PUL(PROGRESSIVE UNSUPERVISED LEARNING)的方法，率先把深度学习框架应用到大规模数据集无监督行人重识别问题上。2、作者的方法作者将他的方法命名为PUL(PRO...

原创 Efficient PSD Constrained Asymmetric Metric Learning for Person Re-identification(MLAPG)

1、介绍      作者提出了一种考虑半正定限制条件和采用非对称样本加权策略的逻辑度量学习算法（MLAPG），可以通过APG优化算法有效的迭代求解。 MLAPG收敛快速，并且阶数较低。作者将其应用到行人重识别问题，在四个数据集上取得了很好的效果。2、作者的方法1）Cross-view Logistic Metric Learning 首先是Cross-view training s...

原创 Person Re-identification by Local Maximal Occurrence Representation and Metric Learning（LOMO+XQDA）

2015年，学术界主流都在DL，而这篇文章却用传统方法达到了远超state of the art的结果：Retinex transform预处理：为了解决不同摄像头下光照条件变化很大：作者在特征提取前进行了预处理，使用的是multiscale Retinex algorithm（这个算法之前做图像增强的时候接触过） ，Retinex algorithm能够增强光照阴影区域的色彩信息，有...

原创 一些关于reid的概念

不论是基于图片还是视频的reid,都是先提取特征，然后再进行度量学习（metric learning)视频行人重识别：1）提取特征：传统方法：LOMO特征、HOG3D特征、GEI特征等等深度学习方法：IDE （ID-discriminative embedding):就是训练一个分类的网络（基于ImageNet进行fine tune)，前5层卷积层，6、7是1024个神经元的全连接...

转载 词袋模型

本文转载自https://www.cnblogs.com/stingsl/p/7090080.html，侵删词袋模型基本原理（Bag of words）最初的Bag of words，也叫做“词袋”，在信息检索中，Bag of words model假定对于一个文本，忽略其词序和语法、句法，将其仅仅看做是一个词集合，或者说是词的一个组合，文本中每个词的出现都是独立的，不依赖于其他词是否出现...

原创 Dynamic Label Graph Matching for Unsupervised Video Re-Identification

本文主要解决的问题是跨摄像头标签估计，对每个摄像头建立一个图，然后在不同的图之间进行匹配。本文提出了动态图匹配（DGM）的方法，DGM迭代地更新图、标签估计。实验证明作者的方法很好，优于现有的无监督算法，而且相比监督算法同样competitive。2、作者的方法首先提取视频序列的LOMO特征，然后建图，1、Graph matching:  优化下式求yij=0或1，对应...

原创 Stepwise Metric Promotion for Unsupervised Video Person Re-identification

在这篇文章中，作者提出了一种针对视频行人重识别的无监督学习算法。作者的方法超过了现有针对视频行人重识别无监督模型state of the art, 并且和监督模型相比同样competitive。作者的假设：1）考虑到不同的视频序列在不同的地方拍摄或者间隔时间很长，所有认为不同的视频序列一般包含不同的人2）在一个视频序列内部，所有的帧主要包含同一个人作者的方法：作者首先提出了三个...