q295684174-CSDN博客

转载全景动态图解高铁格局，数据洞悉大国之城谁将崛起！

转载地址：http://blog.csdn.net/r6Auo52bK/article/details/79050154 经过十年的快速发展，高铁已成为人们日常出行的重要交通工具，“千里江陵一日还”早已变成现实，高铁改变的不仅是不断刷新的“中国速度”，更为区域与城市发展带来新的模式与机遇。高铁以高速、大容量、集约型、通勤化的特征，在中等距离的出行上具备

2018-01-29 16:01:39 1876

原创【caffe】caffe之Slice层

最近在做re-di任务时，经常要用到parts信息，因此slice层是非常有用的，但是caffe中这一层的参数需要弄明白，这里将slice层的代码解读一下。——————————————————————–caffe.proto———————————————————————–message SliceParameter { // The axis along which to slice -- ma

2018-01-24 17:38:51 2164 1

原创【caffe】caffe之BatchNorm层

在用BatchNorm层的时候有use_global_stats和moving_average_fraction不知道什么时候用，特别是在fine-tune的时候，因此把BatchNorm层的代码给解读一下。————————————————————–caffe.proto——————————————————————–首先来看BatchNorm有哪些参数。message BatchNor

2018-01-24 11:34:43 731

转载【Person Re-ID】Beyond Part Models: Person Retrieval with Refined Part Pooling

转载地址：https://zhuanlan.zhihu.com/p/31947809论文链接：Beyond Part Models: Person Retrieval with Refined Part Pooling当前利用 part-level feature 做re-id 的方法大致分为两类： 1. 利用在其他数据集上训练好的 pose estimation 模型 unsupervi

2018-01-23 11:23:10 1385

转载【Person Re-ID】AlignedReID: Surpassing Human-Level Performance in Person Re-Identification

转载地址：https://zhuanlan.zhihu.com/p/32603701 一. 论文背景论文：AlignedReID: Surpassing Human-Level Performance inPerson Re-Identification 【点击下载】Caffe代码：【Github】首先通过下图来看ReID面临的问题：由于检测框不准确（a-b）,姿态变化（c-d）

2018-01-22 16:57:10 1718

转载 SGD、Momentum、RMSprop、Adam区别与联系

转载地址：https://zhuanlan.zhihu.com/p/32488889优化算法框架：计算目标函数关于当前参数的梯度：根据历史梯度计算一阶动量和二阶动量：计算当前时刻的下降梯度：根据下降梯度进行更新：最核心的区别就是第三步所执行的下降方向，在这个式子中，前半部分是实际的学习率（也即下降步长），后半部分是实际的下降方向。不同优化算法也就是不断地在这两部分上做文章。最朴素的优

2018-01-22 16:37:44 13944

转载 Data Augmentation by Pairing Samples for Images Classification

转载地址：https://zhuanlan.zhihu.com/p/33040763?group_id=937069290822909952在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击即刻加入社区，查看更多最新论文推荐。本期推荐的论文笔记来自 PaperWeekly 社区用户 @

2018-01-18 09:33:13 1798

原创【Person Re-ID】Person Re-Identification by Deep Learning Multi-Scale Representations

paper下载地址：http://www.eecs.qmul.ac.uk/~sgg/papers/ChenEtAl_ICCV2017WK_CHI.pdfIntroduction本文主要的考虑是：目前所有re-id的方法，不管是不是基于CNN的，第一步都是将图像resize到统一大小然后再来提取特征。这种做法会模糊掉图像在不同尺度上的显著性特征，因此作者认为这样的方法不是最优的，本文提出了一种在多尺度

2018-01-17 16:09:25 2091

原创【Person Re-ID】Deep-Person: Learning Discriminative Deep Features for Person Re-Identification

paper下载地址：https://arxiv.org/abs/1711.10658Introduction基于CNN方法的person re-id方法可以分为三类：基于全局描述的方法基于局部描述的方法结合全局描述和局部描述的方法局部描述能够提取行人的一些细节信息，在大多数试验中都能比单独用全局描述的方法要好。通常的做法是将新人图像分割成几个rigid的块，然后每个块分

2018-01-17 14:55:08 1155

原创【PyTorch】PyTorch之风格迁移

前面介绍了PyTorch在深度学习上的一些简单应用，这一节讲解PyTorch在风格迁移上的用法。基础知识numpy.array()将矩阵或者拥有__array____array__方法的对象或者sequence转化为矩阵。array.astype()将矩阵转化为对应的数据类型。Tensor.squeeze()若不指定dim，则将Tensor中d

2018-01-15 15:23:39 2757 3

转载【caffe】caffe之反卷积层

1.前言传统的CNN网络只能给出图像的LABLE，但是在很多情况下需要对识别的物体进行分割实现end to end，然后FCN出现了，给物体分割提供了一个非常重要的解决思路，其核心就是卷积与反卷积，所以这里就详细解释卷积与反卷积。对于1维的卷积，公式（离散）与计算过程（连续）如下，要记住的是其中一个函数（原函数或者卷积函数）在卷积前要翻转180度图1 对于离散卷积，f的大

2018-01-15 14:56:31 3212 3

转载微信跳一跳刷分代码剖析

转载地址：http://blog.csdn.net/u013780605/article/details/78945239?ref=myrecommend 感谢学霸提供了这一途径，感谢原作者无私奉献。原作者代码参见https://github.com/wangshub/wechat_jump_game，给作者一个star。手动版的这里不多说，图像识别，坐标计算跳跃，要想得高分会点的

2018-01-12 17:07:57 602

转载使用python玩跳一跳详细教程

转载地址：http://blog.csdn.net/LittleBeautiful/article/details/78955792 在上一篇文章里介绍了使用Python玩微信跳一跳的详细使用教程，不过依旧还是有很多小伙伴有各种各样的问题。为了让各位小伙伴都能使用黑科技，于是再做一个超详细教程。从Python的安装开始，手把手教你一步一步配置好环境直到

2018-01-12 17:02:05 653

原创【PyTorch】PyTorch进阶教程三

前面介绍了使用PyTorch构造CNN网络，这一节介绍点高级的东西LSTM。关于LSTM的理论介绍请参考两篇有名的博客：http://karpathy.github.io/2015/05/21/rnn-effectiveness/http://colah.github.io/posts/2015-08-Understanding-LSTMs/以及我之前的一篇中文翻译博客：http://blog.cs

2018-01-12 14:50:07 8546

原创【PyTorch】PyTorch进阶教程二

上一节简单的构造了一个CNN网络，这一节，来构建一个复杂的网络resnet-50。在开始介绍之前先简单属性下输入数据的一下处理方法。torchvision.transformsclass torchvision.transforms.Compose(transforms)将多个图像变换组合在一起。举例：>>> transforms.Compose([>>> transforms.Cen

2018-01-11 18:58:37 3909 2

原创【PyTorch】PyTorch进阶教程一

前面介绍了PyTorch的一些基本用法，从这一节开始介绍Pytorch在深度学习中的应用。在开始介绍之前，首先熟悉一下常用的概念和层。class torch.nn.Module是所有神经网络模块的基类，自定义的网络模块必须继承此模块必须重写forward方法，也即前传模块举例：import torch.nn as nnimport torch.nn.functional as Fclass

2018-01-11 14:38:16 7640 3

原创【PyTorch】PyTorch入门教程六

feedforward_neural_networkCPU版本前面简单介绍了用PyTorch进行逻辑回归和线性回归，在逻辑回归中使用一个线性层对mnist数据集进行了分类，其实就是一个简单的神经网络，模子都是一样的，在这一节中我们使用两个线性层来看看如何构造。首先还是从mnist数据集中加载数据。import torchimport torch.nn as nnimport torchvisio

2018-01-11 09:59:36 2380 1

原创【PyTorch】PyTorch入门教程五

linear_regression还是直接看代码是如何写的。从numpy中建立输入与输出。import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltfrom torch.autograd import Variable# Hyper Parametersinput_size = 1

2018-01-11 09:17:35 938

原创【PyTorch】Pytorch入门教程四

代码地址：https://github.com/yunjey/pytorch-tutorial/blob/master/tutorials/01-basics/logistic_regression/main.pylogistic_regressionimport torchimport torch.nn as nnimport torchvision.datasets as dsetsimp

2018-01-10 16:47:51 1889 1

原创【caffe】caffe实现sharing weights

最近在Re-ID任务中有不少网络都是sharing weights的。一般都是有一个已经训练好的模型比如resnet-50，然后自己造的主网络都是有几个resnet-50的分支的，而每个分支的卷积层权重又是共享的，caffe是怎样处理的呢？经过一番折腾，终于整明白了，其实很简单。首先定位到caffe.proto，LayerParameter中有这样一项repeated ParamSpec param

2018-01-09 19:36:56 2090 2

原创【PyTorch】Pytorch入门教程三

前面介绍了PyTorch的基本概念，接下来就直接撸代码。代码地址：https://github.com/yunjey/pytorch-tutorial/blob/master/tutorials/01-basics/pytorch_basics/main.py#L63Basic autograd example 1 import torch import torchvisionimport to

2018-01-09 16:32:51 2081

原创【PyTorch】PyTorch入门教程二

Variable众所周知，PyTorch和TensorFlow最牛逼的地方就是自动求导术，而在PyTorch中运用这一“玄学”的就是Variable。一旦我们将网络结构，loss算法，优化策略等计算构建好之后，调用.backward()就可以自动求网络参数的导数。Variable是对Tensor的一种封装，可以调用.data属性获取Tensor数据，导数也可以调用.grad获得。如果Variable

2018-01-08 19:12:40 1191

原创【PyTorch】PyTorch入门教程一

TensorsPyTorch中的Tensor跟numpy有些类似，唯一的不同是Tensor可以用GPU来加速。from __future__ import print_functionimport torch#构造一个5x3的未初始化的矩阵x = torch.Tensor(5, 3)print(x)输出为1.00000e-09 * 0.0000 0.00

2018-01-08 18:45:10 1508

原创【PyTorch】PyTorch安装指南

PyTorch官网：http://pytorch.org/ 由于官网各种点击按钮没有反应，只能下载安装。下载PyTorch选择旧版本安装找到所需版本，如上图所示，下载cu80/torch-0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl。其中，0.2.0表示PyTorch版本，cp27表示支持Python2.7，cu80表示支持CUDA 8.0。安装P

2018-01-08 14:55:36 6841

转载【caffe】理解 LSTM 网络

Recurrent Neural Networks人类并不是每时每刻都从一片空白的大脑开始他们的思考。在你阅读这篇文章时候，你都是基于自己已经拥有的对先前所见词的理解来推断当前词的真实含义。我们不会将所有的东西都全部丢弃，然后用空白的大脑进行思考。我们的思想拥有持久性。传统的神经网络并不能做到这点，看起来也像是一种巨大的弊端。例如，假设你希望对电影中的每个时间点的时间类型进行分类。传统的神经网络

2018-01-04 17:29:48 1487

原创【Person Re-ID】Deep Representation Learning with Part Loss for Person Re-Identification

paper下载地址：https://arxiv.org/abs/1707.00798IntroductionPerson Re-ID需要解决什么问题？测试集中的人在训练集中是不可见的，因此需要学习到的描述子有足够的可分性。目前大多数表征学习方法的目的是最小化训练集的分类损失，这与Re-ID任务不同。表征学习方法更多的关注于人体的躯干部分，而忽略其他部分。对于不同的人，其他部分诸如头部，上半身体依

2018-01-04 10:33:59 1912

转载【caffe】caffe层解读系列——slice和concat实现MultiTask

转载地址：http://blog.csdn.net/shuzfan/article/details/54565776 最近一段时间MultiTask网络比较流行，比如做人脸检测的时候，一个网络完成（人脸和非人脸）二分类任务的同时也要进行boudingbox回归或者人脸关键点回归。以人脸检测MTCNN为例，一个网络包含三个任务。训练的时候，一个batch中的图片，一部分用于二分类

2018-01-03 20:17:09 603

原创【Person Re-ID】GLAD: Global-Local-Alignment Descriptor for Pedestrian Retrieval

paper下载地址：https://arxiv.org/abs/1709.04329IntroductionPerson Re-ID任务是为了从gallery集中找到与query集中同一个人的图像。应用场景主要集中在视频监控、公共安全等领域，因此一个人的外表可能被摄像头的视角，人体姿态，模糊，遮挡等因素所影响，给此项任务带来挑战。大多数Re-ID工作都可以分为两步，即描述子学习和距离度量学习。描述子

2017-12-29 14:02:21 2595 2

原创【Person Re-ID】Large-scale Person Re-identification as Retrieval

paper下载地址：http://www.yaohantao.com/cv/paper_671.pdfcode下载地址：https://github.com/coldrainyht/ICME2017Introduction如果直接将分类网络运用于Person Re-ID任务的话将会有几大缺点：训练一个分类网络需要大量的数据，Re-ID任务目前没有特别大的数据集。分类网络最后一层的神经元个数与训练

2017-12-28 16:09:34 427

原创【Person Re-ID】AlignedReID: Surpassing Human-Level Performance in Person Re-Identification

paper下载地址：https://arxiv.org/abs/1711.08184Introduction大多数基于CNN的方法都是学习全局特征，而忽略了人的结构性。因此带来的缺陷是：行人检测器检测框的不准确性会影响特征的学习。人体形态或者姿势的变化使得度量学习变得更加困难。遮挡给最终的特征带来不相干的上下文信息。当两个人有相似外表时，局部特征将变得很重要。本文提出了一种新的方法，称为A

2017-12-26 10:35:10 879

原创【caffe】caffe之SGD solver

理论介绍上式中，L(w)L(w)为前向loss，N为一个mini-batch的batchsize，fw(x(i))f_{w}(x^{(i)})是单个输入数据x(i)x^{(i)}的输出loss，λ\lambda 是正则项的权重，在caffe中是weight_decay，r(w)r(w)是一个关于参数ww的正则项，在caffe中默认为L2正则项，即r(w)=w2r(w)=w^{2}。在caffe中，f

2017-12-15 19:50:12 678

原创【Person Re-ID】Margin Sample Mining Loss: A Deep Learning Based Method for Person Re-identification

Introduction

2017-12-15 16:47:17 2766 3

原创 Android NDK + adb调试

Android.mk每个模块前必须加上include $(CLEAR_VARS)，比如include $(CLEAR_VARS) LOCAL_MODULE:=libcwauthorize_android LOCAL_SRC_FILES:=C:/Users/Administrator/Desktop/DeepNet_expression/lib/Android/arm64-v8a/libcwa

2017-12-14 20:00:07 1717

原创【Person Re-ID】In Defense of the Triplet Loss for Person Re-Identification

paper下载地址：https://arxiv.org/abs/1703.07737code下载地址：https://github.com/VisualComputingInstitute/triplet-reidIntroduction本文主要是针对triplet loss做的改进：triplet loss最重要的步骤就是hard-mining，而在选择hard-example过程中

2017-12-14 19:34:08 1405 1

原创【Person Re-ID】SVDNet for Pedestrian Retrieval

paper下载地址：https://arxiv.org/abs/1703.05693code下载地址：https://github.com/syfafterzy/SVDNet-for-Pedestrian-Retrieval网络结构作者所采用的基础网络为resnet-50，在最后一个全连接层的前面加了一个Eigenlayer，其实就是一个全连接层，只不过对参数做了SVD分解，因此称为SVDNet

2017-12-08 20:06:41 3908 1

原创【Person Re-ID】Person Re-identification: Past, Present and Future

paper下载地址：https://arxiv.org/abs/1610.02984code下载地址：https://github.com/zhunzhong07/IDE-baseline-Market-1501本文主要介绍了Person Re-ID的前世今生，作为一篇概述形式的文章，给刚接触Person Re-ID的新人提供了很好的方向把握。文章其实并没有很多技术性的东西，关键是作者提供了一个

2017-12-07 19:48:12 2465 2

原创【Person Re-ID】常用评测指标

前言最近在研究person re-id相关的算法，在不少论文中遇到相关的评测指标，例如mAP、CMC、ROC等，这里做一下总结。ROCROC曲线是检测、分类、识别任务中很常用的一项评价指标。曲线上每个点反映着对同一信号刺激的感受性。具体到识别任务中就是，ROC曲线上的每一点反映的是不同的阈值对应的FP（false positive）和TP（true positive）之间的关系。通常情况下，ROC曲

2017-12-05 19:19:39 9031 2

原创【caffe】caffe之编译错误

以下错误均为编译caffe过程中常见的错误fatal error: caffe/proto/caffe.pb.h: No such file or directory完美解决办法protoc src/caffe/proto/caffe.proto –cpp_out=. mkdir include/caffe/proto mv src/caffe/proto/caffe.pb.h includ

2017-12-05 17:05:40 802

原创【CUDA C】Programming Interface

CUDA C RuntimeThe runtime is implemented in the cudart library, which is linked to the application, either statically via cudart.lib or libcudart.a, or dynamically via cudart.dll or libcudart.so. Ap

2017-12-05 16:58:33 299

原创【CUDA C】Programming Model

KernelsCUDA C extends C by allowing the programmer to define C functions, called kernels, that, when called, are executed N times in parallel by N different CUDA threads, as opposed to only once like

2017-12-04 11:38:51 346

二维条码的编解码及系统实现

空空如也