discriminative 第2页

【论文翻译】Learning Generalizable and Identity-Discriminative Representations for Face Anti-Spoofing

Abstract由于人脸认证系统的高安全性需求，面部反欺骗（a.k.a演示攻击检测）已引起越来越多的关注。当训练和测试欺骗样本拥有相似的模式时，现有的基于CNN的方法通常很好地识别欺骗攻击，但它们的性能会在未知场景的测试欺骗攻击上急剧下降。在本文中，我们试图通过设计两个新颖性的CNN模型来提高方法的泛化能力和适用性。首先，我们针对CNN模型提出了一种简单但有效的总成对混淆（TPC）损失函数，这增强

sinat_tangsipeng·2022-08-18 07:00

DIMP：Learning Discriminative Model Prediction for Tracking

原文链接论文地址：https://arxiv.org/pdf/1904.07...代码：pytracking中有dimp的代码摘要与大多数其他视觉问题相比，跟踪需要在推理阶段在线学习鲁棒的特定于目标的外观模型。为了能够进行端到端的培训，目标模型的在线学习因此需要自身嵌入到跟踪体系结构中。由于这些困难，流行的孪生网络仅预测了目标特征模板。但是，这种模型由于无法集成背景信息而具有有限的判别能力。我们开

·2022-07-25 12:22

Discriminative Adversarial Domain Adaptation读书笔记

这篇文章是AAAI2020的一篇领域自适应的文章，挺有意思的，把读书笔记和大家分享一下。摘要：给定源域上标记的实例和目标域上未标记的实例，无监督域适应旨在学习一种任务分类器，它可以很好地对目标进行分类。最近的进展依赖于深度网络的领域对抗训练来学习领域不变特征。但是，由于任务分类器和域分类器的分离设计会导致模式崩溃，这些方法在对齐域间特征和类别的联合分布方面受到限制。为了克服这一问题，本文提出了一种

lwpyh·2022-05-26 07:36

[医学小样本分割]Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative

XL_Dylan·2021-04-25 14:01

VD-BERT（统一视觉对话 2020 EMNLP）

此外，VD-BERT是第一个支持discriminative和generative训练设置的统一模型，没有显式解码器。不需要

我黑切呢**·2020-12-21 15:06

Learning Discriminative Model Prediction for Tracking 用于跟踪的学习判别模型预测

快一个月没看论文了，突然觉得心里有点发慌。看看毕业条件，瞬间为自己感到担忧，努力吧，骚年！本文是译文，为了自己阅读方便，可能有不对的地方，有能力的建议看原文https://arxiv.org/pdf/1904.07220.pdf摘要当前对端到端可训练计算机视觉系统的努力对视觉跟踪任务提出了重大挑战。与大多数其他视觉问题相反，跟踪需要在推理阶段在线学习一个健壮的特定目标外观模型。为了实现端到端的可训

小左先生·2020-09-15 23:50

外表互换：联合判别和生成学习用于REID：Joint Discriminative and Generative Learning for Person Re-identification

https://zhuanlan.zhihu.com/p/66408913market1501：mAp86，rank1861出处2019NVIDIA/悉尼科技大学郑哲东2key，图像分成两个空间space，一个appearance为颜色、纹理等；另一个是structure空间，bodyparts3key：N副图做NN配对交换appearance和structure生成NN张图再进行end2end学

AIchiNiurou·2020-09-14 08:01

【论文笔记】Joint Discriminative and Generative Learning for Person Re-identification

Supremebeast3_·2020-09-14 08:43

2019 CVPR（oral）之ReID：Joint Discriminative and Generative Learning for Person Re-identification

JointDiscriminativeandGenerativeLearningforPersonRe-identification这篇文章的思路和2017NIPS之GAN（imagetransfer）：UnsupervisedImage-to-ImageTranslationNetworks思路相近，甚至源码都是相近的。本文源码：https://github.com/NVlabs/DG-Net1

matlabLKL·2020-09-14 07:03

Joint Discriminative and Generative Learning for Person Re-identification论文翻译

摘要：由于不同摄像机内部的重大变化，行人识别（re-id）仍然具有挑战性。最近，人们越来越关注使用生成模型来增强训练数据并增强输入变化的不变性。然而，现有方法中的生成数据流程与辨别性re-id学习阶段保持相对分离。因此，re-id模型通常以直接的方式利用生成的数据训练。在本文中，我们通过更好地利用生成的数据来寻求改进学习的re-id特征。为此，我们提出了一个联合学习框架，它将re-id学习和数据生

不甘现状的咸鱼却没办法·2020-09-14 07:26

Joint Discriminative and Generative Learning for Person Re-identification

研究问题现有的方法中，将GAN应用到行人重识别任务中时，大多数都是将生成与检测相分离开，没有融合到一起来进行实验，本文设计了一种联合学习框架将行人重识别学习与数据生成端到端的结合在一起。从行人重识别模型提取好的行人特征可以作为GAN的input，而GAN生成图像可以用来finetune行人重识别模型。在介绍本文的框架之前，先介绍一下作者提出的外观编码与结构编码。在作者提出的模型中涉及一个生成模块，

展希希鸿·2020-09-14 07:59

Joint Discriminative and Generative Learning for Person Re-identiﬁcation 论文翻译

JointDiscriminativeandGenerativeLearningforPersonRe-identiﬁcation概要介绍相关工作方法生成模块自我身份生成(self-identitygeneration)交叉身份生成(cross-identitygeneration)讨论(Discussion)识别模块(DiscriminativeModule)基本特征挖掘细粒度特征挖掘讨论优化实

thomaswu1992·2020-09-14 05:30

Ultra-Resolving Face Images by Discriminative Generative Networks人脸超分辨率生成

Ultra-ResolvingFaceImagesbyDiscriminativeGenerativeNetworks论文地址：https://pdfs.semanticscholar.org/d6f1/42f5ddcb027e7b346eb20703abbf5cc4e883.pdf本文无公开代码（没有找到），仅供参考其思想摘要：常规的人脸超分辨率方法，也称为人脸幻想，facehallucinat

俭任G·2020-09-12 21:28

[论文阅读]Learning a Discriminative Feature Network for Semantic Segmentation

前言Introduciton作者提出了两个在语义分割之中的问题:类内矛盾->有着不同外观但是有相同标签类间矛盾->有着相同的外观但是有着不同标签所以作者提出了SmoonthNetWork去解决类内特征不一致的问题,BorderNetwork去解决分辨相邻块有相同外表但是标签不同的问题。同时考虑两个决定性的因素:多尺度的特征图和有全文信息的特征图但多尺度的特征图的引入,对于一定规模的东西,特征会有不

Costwen·2020-09-12 18:47

Discriminative Feature Learning for Unsupervised Video Summarization（论文翻译）

DiscriminativeFeatureLearningforUnsupervisedVideoSummarizationAbstract在本文中，我们解决了无监督视频摘要的问题，该问题会自动从输入视频中提取关键镜头。具体而言，我们根据经验观察结果解决了两个关键问题：（i）由于每帧输出重要性得分的平均分布而导致无效的特征学习，以及（ii）处理长视频输入时的训练难度。为了缓解第一个问题，我们提出了

菜菜菜菜菜菜菜·2020-09-11 23:49

18-Learning-a-Discriminative-Feature-Network-for-Semantic-Segmentation

whenCVPR2018what在大量的计算机视觉应用中，语义分割是一项不可或缺的底层技术。旷视科技Face++近期发表的一篇CVPR2018收录论文《LearningaDiscriminativeFeatureNetworkforSemanticSegmentation》提出判别特征网络DFN，有效解决了语义分割的两个基本问题，显著提高了其精度，可以帮助机器之眼更好地理解复杂的图像和场景，解析静

jiyeyong·2020-09-11 22:01

Learning Deep Features for Discriminative Localization

ClassActivationMappingCAM生成实验结果分类定位细粒度识别参考文献NIN[2]提出的全局平均池化（GlobalAveragePooling，GAP），代替如AlexNet和VGG中出现的含大量参数的的全连接层（FC6、FC7），能起到防止过拟合、提高泛化能力的作用。而且相对于FC层，GAP对空间平移更鲁棒，可解释性也更强。除了上述优点，本文提出另一观点，GAP能有效地定位感兴

poorfriend·2020-09-11 15:19

Deep clustering:Discriminative embeddings for segmentation and separation 简析

Deepclustering:Discriminativeembeddingsforsegmentationandseparation简析1.使用深度聚类的原因在基于掩蔽的深度学习语音分离框架中，对于说话人相关的任务效果不错，但是对于说话人无关的任务，效果很差，会发生Permutationproblem，即无法确定哪些维度上的信号属于目标声源，哪些维度属于干扰声源。所以针对这个情况，Hershey

Aidanmomo·2020-09-11 00:19

CVPR2017跟踪算法CSR-DCF的配置（Discriminative Correlation Filter with Channel and Spatial Reliability）

1、CSR-DCF跟踪算法Github下载地址：https://github.com/alanlukezic/csr-dcf2、打开compile.m更改为自己的OpenCV安装路径3、运行compile.m，此时需要调用C++编译器，如果出现错误，请参考博客配置好matlab中的C++编译环境：https://blog.csdn.net/qq_17783559/article/details/8

博博有个大大大的Dream·2020-08-24 01:03

重识别之DG-Net：Joint Discriminative and Generative Learning for Person Re-identification

一、资源1、PaperLink：（1）https://arxiv.org/abs/1904.072232、code：（1）https://github.com/layumi/Person_reID_baseline_pytorch（2）https://github.com/NVlabs/DG-Net3、视频：（1）哔哩哔哩：https://www.bilibili.com/video/av5143

coplin·2020-08-22 16:51

Generative model & discriminative model

转一篇有用的文章,看了那么多blog上的介绍，还是这篇解释的最清楚：GenerativeModel与DiscriminativeModel【摘要】-生成模型(GenerativeModel)：无穷样本==》概率密度模型=产生模型==》预测-判别模型(DiscriminativeModel)：有限样本==》判别函数=预测模型==》预测【简介】简单的说，假设o是观察值，q是模型。如果对P(o|q)建模

huan0181·2020-08-22 12:57

如何用简单易懂的例子解释条件随机场（CRF）模型？它和HMM有什么区别？·

概率图模型学习笔记：HMM、MEMM、CRF目录一、Preface二、Prerequisite2.1概率图2.1.1概览2.1.2有向图vs.无向图2.1.3马尔科夫假设&马尔科夫性2.2判别式（discriminative

Terry_dong·2020-08-22 11:13

对抗生成网络（Generative Adversarial Net)

引入Discriminative

张雨石·2020-08-21 11:56

[CVPR 2018]Discriminative Learning of Latent Features for Zero-Shot Recognition

文章目录背景贡献模型TheImageFeatureNetwork（FNet）TheZoomNetwork（ZNet）TheEmbeddingNetwork(ENet)Prediction实验背景作者认为当前(2018年前)zero-shot研究的核心主要是在视觉空间和语意空间中学习合适的映射关系，而忽视了学习ZSL问题中有判别力的表示。几乎所有的模型都有着相似的范式，即通过手工提取图像特征或者通过

剑启郁兰·2020-08-20 08:11

A Discriminative Feature Learning Approach for Deep Face Recognition

16年ECCV的文章《ADiscriminativeFeatureLearningApproachforDeepFaceRecognition》code：https://github.com/ydwen/caffe-faceMotivation：和metriclearning的想法一致，希望同类样本之间紧凑，不同类样本之间分散。现有的CNN最常用的softmax损失函数来训练网络，得到的深度特征通

yang_502·2020-08-18 18:38

DIMP：Learning Discriminative Model Prediction for Tracking 学习判别模型预测的跟踪

论文地址：https://arxiv.org/pdf/1904.07220v1.pdf代码：pytracking中有dimp的代码摘要与大多数其他视觉问题相比，跟踪需要在推理阶段在线学习鲁棒的特定于目标的外观模型。为了能够进行端到端的培训，目标模型的在线学习因此需要自身嵌入到跟踪体系结构中。由于这些困难，流行的孪生网络仅预测了目标特征模板。但是，这种模型由于无法集成背景信息而具有有限的判别能力。我

-流风回雪-·2020-08-16 04:40

DiMP:Learning Discriminative Model Prediction for Tracking

文章目录ATOM、DiMP、SiamfcAbstractIntroductionRelatedWorkMethodBaselineAnalysis作者是瑞士(Switzerland)ETHZurich实验室的，GoutamBhat,MartinDanelljan.MartinDanalljan主页dimp论文链接ATOM、DiMP、Siamfc首先看到题目的disciminative为什么叫判别性

xwmwanjy666·2020-08-16 04:05

【DiMP】Learning Discriminative Model Prediction for Tracking论文阅读

LearningDiscriminativeModelPredictionforTracking论文地址写在前面又是MD大神的一个作品，发现MD大神也把Siamese的框架用起来了，而且一用就解决了Siamese这个框架的三大固有问题，论文还是延续了我看不懂的风格，很多机器学习和概率统计中的知识，自己基础不够扎实了。MotivationSiamese的网络框架一般都只是把模板割出来，忽略了背景信息

gagajian·2020-08-16 01:32

论文笔记 — L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space

论文：本文主要贡献：1、提出了一种新的采样策略，使网络在少数的epoch迭代中，接触百万量级的训练样本；2、基于局部图像块匹配问题，强调度量描述子的相对距离；3、在中间特征图上加入额外的监督；4、描述符的紧实性。基于CNN的局部图像块匹配方法可以分为两类：一是，作为二分类问题，不存在明确的特征描述子概念，好处是准确率相对第二类高很多，但可移植性能差；二是，CNN输出学习的图像块描述子，没有度量学习

dbsggal90047018·2020-08-15 22:43

论文笔记D3S – A Discriminative Single Shot Segmentation Tracker

论文笔记D3S–ADiscriminativeSingleShotSegmentationTracker1.论文标题及来源2.拟解决问题3.解决方法3.1算法流程3.2GIM3.3GEM3.4Refinement3.5boundingboxfittingmodule4.实验结果4.1VOT20164.2VOT20184.3GOT-10k4.4TrackingNet4.5消融实验4.6DAVIS5.

YSQ是我的·2020-08-15 16:37

GAN的介绍和简单代码的实现

模型中有两大模块，生成模型(GenerativeModel,我们用G来简称)，和判别模型(Discriminative，我们用D来简称)，GAN的学习过程便是这两个过程之间的博弈对抗，在GAN的理论中，

残心花·2020-08-14 08:48

《Learning Deep Features for Discriminative Localization》——CAM热力图翻译及划重点

摘要在这项工作中，我们重新审视了《Networkinnetwork》中提出的全局平均池化层（globalaveragepooling），并阐明了它是如何通过图片标签就能让卷积神经网络具有卓越的定位能力。虽然这项技术以前被当做正则化训练的一种方法，但是我们发现它实际构建了一种通用的适用于各种任务的能定位的深度表示。尽管globalaveragepooling很简单，我们仍然能够在2014年的ILSV

TerryWenD·2020-08-08 13:04

语义分割之Learning a Discriminative Feature Network for Semantic Segmentation

LearningaDiscriminativeFeatureNetworkforSemanticSegmentation文章目录LearningaDiscriminativeFeatureNetworkforSemanticSegmentation设计思想SmoothNetworkChannelattentionblockRefinementresidualblockBorderNetwork实验

有为少年·2020-08-05 16:09

学习笔记：Salient Object Detection: A Discriminative Regional Feature Integration Approach

本文是显著性目标检测用监督学习的方法来作。本文采用multi-levelsegmentation的方法进行分割。其主要思想为：将原图进行m级分割，S={S1,S2,···,SM}。S2是由S1融合所得，阈值是算法生成的。最终融合得到SM。为了融合计算，作者提出了特征描述器。提出了三个Regionalcontrastdescriptor，Regionalpropertydescriptor，Regi

不变的svm·2020-08-02 14:53

Learning a Discriminative Filter Bank within a CNN for Fine-grained Recognition论文翻译

LearningaDiscriminativeFilterBankwithinaCNNforFine-grainedRecognition细粒度分类一直是图像分类中的一个难点，近年来基于深度学习的图像分类发展迅速，细粒度分类也发展出了很多优秀的模型，早期的多阶段模型是通过引入一个辅助网络来融合位置信息到主分类网络中，或者通过一个复杂的特征编码方式来获得高阶特征统计，而最近的端到端模型从根本上强化了

SanKinPlus·2020-07-29 10:38

在CNN中学习一个鉴别过滤库进行细粒度识别Learning a Discriminative Filter Bank within a CNN for Fine-grained Recognition

这次翻译的论文也是CVPR2018的，关于细粒度识别的论文，链接为：http://openaccess.thecvf.com/content_cvpr_2018/papers/Wang_Learning_a_Discriminative_CVPR

Nyte2018·2020-07-29 09:14

【转载】Discriminative Learning和Generative Learning

DiscriminativeLearning和GenerativeLearning2011-12-0810:471929人阅读评论(2)收藏举报variablesdependencies算法includeparametersexpressDiscriminative学习算法是一类模型化输入（X）输出（Y）的关系的方法，简单来说就好比中医，我们只知道用若干个药（当归，虎骨。。。）可以凑成一个药方，就

csid_502·2020-07-28 18:29

变量分割技术、判别学习(discriminative learning method)

基于模型的优化方法(model-basedoptimizationmethod):小波变换、卡尔曼滤波、中值滤波、均值滤波；优点：对于处理不同的逆问题都非常灵活；缺点：为了更好的效果而采用各种复杂的先验，非常地费时基于判别式学习方式(discriminativelearningmethod)：训练成对的图像优点：快速测试；针对特定的任务，所以有一定的限制；DeepPlug-and-PlaySupe

weixin_30362801·2020-07-28 16:49

明亮如星研旅（3）—— Discriminative Learning Quadratic Discriminant Function for Handwriting Recognition

《DiscriminativeLearningQuadraticDiscriminantFunctionforHandwritingRecognition》这篇文章是刘成林老师2004年早期的工作，其利用传统的方法将文字识别提高到一个极高的准确率。这篇文章是比较经典的文章，相对于目前流行的深度学习方法，其数学分析的味道比较浓，更接近的我以往对科研的想象。不像目前大部分文章搭个网络，然后各种实验，吹

明亮如星·2020-07-28 05:51

Discriminative Learning和Generative Learning

Discriminative学习算法是一类模型化输入（X）输出（Y）的关系的方法，简单来说就好比中医，我们只知道用若干个药（当归，虎骨。。。）可以凑成一个药方，就能治疗跌打病痛。

pennyliang·2020-07-28 04:57

生成学习算法（generative learning algorithms）和判别学习算法（discriminative learning algorithms）

1、生成学习算法例：对恶性肿瘤和良性肿瘤的分类除了寻找一个将两类数据区分的直线外，还可以用如下方法：1)遍历训练集，找到所有恶性肿瘤样本，直接对恶性肿瘤的特征建模；同理，对良性肿瘤建模。2)对一个新的样本分类时，即有一个新的病人时，要判断其是恶性还是良性，用该样本分别匹配恶性肿瘤模型和良性肿瘤模型，看哪个模型匹配的更好，预测属于恶性还是良性。这种方法就是生成学习算法。两种学习算法的定义：1)判别学

caimouse·2020-07-27 19:11

【CV+DL学习路01】CNN可视化学习1——Learning Deep Features for Discriminative Localization

小白同学最近开始接触计算机视觉和神经网络方面的知识，在一个老师的偶然指导下，开始接触CNN可视化，从我看的第一篇论文开始，到现在大概三周的时间，做一个简单的记录，也方便自己日后回看和学习。论文一、LearningDeepFeaturesforDiscriminativeLocalization学习判别本地化的深层特征CVPR2016论文可以在这里找到论文翻译参考的这篇博文网上还有很多的阅读笔记阅读

stu_sun·2020-07-14 23:50

【论文2】AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification

【课题介绍】：北大，鹏程等实验室。貌似眼熟的六作RongrongJi，一二作者YunpengZhai,ShijianLu，这篇文章录用于CVPR2020，主要是利用一种数据增强手段扩充样本数据【和HHL相似】，增加类别的多样性；另外就是迭代优化策略，一方面最大化人与人图像之间的多样性（可以理解加大类内距离，阻力），另一方面是最小化同一ID类之间图像的距离（可以理解为减小类内距离，动力）不断优化迭代

览音·2020-07-12 13:27

论文阅读-《Learning Deep Features for Discriminative Localization》

收录于CVPR2016关于全连接层不能保持spatialinformation的理解相比全连接层，卷积层是一个spatial-operation，能够保持物体的空间信息(translation-variant)。比如一个物体原来在左上角，卷积之后的结果feature-map在左上角的激活值大。如果这个物体移动到右下角，那么卷积之后的feature-map同样会在右下角的激活值比较大。但是对于全连接

yj_isee·2020-07-10 13:46

Mining Discriminative Triplets of Patches for Fine-Grained Classification 论文翻译（二）

3.用于细粒度分类的判别三元组此部分主要介绍如何利用几何约束自动挖掘判别三元组，以及如何生成用于挖掘三元组分类的中层表示。我们在图1中展示了我们的框架的概述。在初始化阶段，我们根据细粒度对象的实例具有类似的总体外观这一事实，使用最近邻的方法找出潜在的三元组。然后，我们使用整个训练集或大部分训练集来验证候选三元组的区分性，并根据基于熵选择具有区分性的三元组。在分类时，我们选择具有最大响应度的三元组构

草莓夹心·2020-07-09 23:51

Mining Discriminative Triplets of Patches for Fine-Grained Classification 论文翻译

摘要细粒度分类涉及基于高度局部化区域的细微差异来区分相似子类别，因此，精确定位具有区分度的区域仍然是一个主要挑战。我们提出了一个基于patch的框架来解决这个问题。为了提高patch定位的准确性，我们引入了具有几何约束的patch三元组，并自动挖掘具有鉴别意义和几何约束的三元组进行分类。所产生的方法只需要对象边界框。使用四个公开可用的细粒度数据集证明了它的有效性，在这些数据集上，它在分类性能上优于