re-id论文学习第2页

【论文学习】GRAPH ATTENTION NETWORKS

背景通过在图算法中引入self-attention的机制，解决图卷积中之前的一些问题，并且保证了时间和空间复杂度线性于图的边或者节点。图注意力网络计算方式1.图网络每一层的输入和输出都是每个节点的特征向量。2.每条边的注意力权重计算3.左图是self-attention权重的计算，右图是某个节点multi-head-attention的计算方式，加权多个head之后求平均。4.multi-head

WitsMakeMen·2023-12-06 18:50

CVPR 2023 精选论文学习:Seeing What You Miss Vision-Language Pre-Training With Semantic Completion Learning

以下是根据MECE原则找到的四个可以作为分类标准的特征：1.预训练任务。预训练任务是指模型在用于下游任务之前进行训练的特定任务。在视觉语言预训练的背景下，有几种常见的预训练任务：对比学习：在对比学习中，模型被训练来区分相似和不相似的示例对。例如，在视觉语言预训练的情况下，模型可以被训练来区分图像和它们对应的标题，或区分图像和它们对应的描述。掩码语言建模(MLM)：在MLM中，模型被训练来预测句子中

结构化文摘·2023-12-06 12:36

CVPR 2023 精选论文学习笔记：Instant Volumetric Head Avatars

以下是四个可以作为分类标准的特征：1.数据表示。数据表示是NeRF的一个基本方面，它决定了输入数据如何在模型中编码和利用。数据表示的选择会显著影响NeRF模型的效率、准确性和适用性。隐式NeRF。隐式NeRF使用一个连续函数来表示场景，将空间中的每个点映射到其对应的颜色和密度值。这种连续表示具有以下优点：表达力：隐式NeRF可以有效地捕捉精细的几何形状和复杂的细节，使其适用于模型复杂场景。效率：隐

结构化文摘·2023-12-06 12:06

CVPR 2023 精选论文学习笔记：UniSim A Neural Closed-Loop Sensor Simulator

基于MECE原则，我们给出以下分类标准：标准1：仿真类型仿真类型是指仿真器是否能够实时生成场景。实时仿真器能够以每秒至少30帧的速度生成图像和视频，使其适用于训练和测试自动驾驶汽车等机器人。另一方面，离线仿真器不是实时的，但它们可以生成更逼真的图像和视频。这使它们更适合创建计算机视觉算法的训练数据等任务。实时仿真：这些仿真器设计用于与模拟系统在闭环中运行，允许实时交互和决策。这种仿真类型对于训练和

结构化文摘·2023-12-06 12:05

CVPR 2023 精选论文学习笔记：Towards Scalable Neural Representation for Diverse Videos

基于MECE原则，我们给出以下四个分类标准：分类标准1：表示类型隐式神经表示（INR）隐式神经表示（INR）是一类神经网络架构，将场景或对象表示为从3D点映射到颜色和不透明度值的连续函数。该函数通常从一组训练图像或视频中学习，然后可以用于渲染场景或对象的新视图。INR已被证明

结构化文摘·2023-12-06 12:35

CVPR 2023 精选论文学习笔记：Differentiable Shadow Mapping for Efficient Inverse Graphics

以下是四个可以用来对本文选题中不同研究工作进行分类的特征：1.渲染技术可微渲染：可微渲染是一种允许从图像或其他数据中高效优化3D形状和材料的技术。这是通过使渲染过程相对于场景的参数（例如形状、材料和照明）可微来实现的。这允许使用梯度优化方法来找到最能解释输入数据的参数。可微渲染已被证明对于各种任务有效，包括图像重建、形状优化和材料估计。非可微渲染：非可微渲染是渲染的传统方法，不允许使用梯度优化。这

结构化文摘·2023-12-06 12:04

6-PACK论文学习及复现记录

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、基本思想1.1创新点1.2两个变换二、实现结构1.基于注意力机制生成锚点特征2.生成关键点(分对称类、非对称)2.1损失函数（非对称）2.2损失函数（对称）3.预测帧间变化4.测试指标三、项目复现3.1数据文件含义3.2代码逻辑四、复现记录4.1环境配置&复现流程4.1.1本地4.1.2服务器配置4.2遇到的问题4.2

wliu_kk·2023-12-06 00:18

深度学习与TensorFlow:FCN论文学习笔记

这篇文章陆陆续续看了快两周,其中也遇到了自己很多的知识的漏洞,踩了很多坑,这里希望能够和大家说一说,也希望大家可以分享一下自己的看法.1:FCN基本思路自从CNN成功之后,很多人都在尝试使用CNN进行图像分割,个人认为CNN最厉害的地方是他的多层结构可以自动提取学习的特征,并且将其学习,并且将提取的这些特征进行分类,但是我们当用CNN进行图像分割的时候,CNN的这项优势反而变成了劣势,因为在特征提

云时之间·2023-12-05 15:28

（pytorch进阶之路）Informer

论文：Informer:BeyondEfficientTransformerforLongSequenceTime-SeriesForecasting(AAAI’21BestPaper)看了一下以前的论文学习学习

likeGhee·2023-12-04 10:47

DINO-DETR论文学习记录

摘要我们介绍了DINO（带有改进的去噪器box的DETR），一种最先进的端到端对象检测器。DINO通过使用对比方式进行去噪训练、混合查询选择方法进行锚点初始化以及用于框预测的ookforwardtwice方案，在性能和效率方面比以前的类似DETR模型有所改进。DINO在COCO上实现了12个时期的49.4AP，在24个时期内实现了51.3AP，具有ResNet-50骨干和多尺度特征，与之前最好的类

彭祥.·2023-12-03 03:31

2020-3-9晨间日记

今天是什么日子起床：8.00就寝：我希望是23.00之前天气：雨天心情：还好纪念日：爱自己爱他的每一天任务清单昨日完成的任务，最重要的三件事：习惯养成：早睡早起周目标·完成进度每天看一篇论文学习·信息·

文木的梦想·2023-12-02 18:24

论文学习-BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

LearningBERTArticle参考链接Thegoodsiteforlearning:https://lena-voita.github.io/nlp_course.html#whats_inside_lecturesOnlineVideo李沐老师https://www.youtube.com/watch?v=ULD3uIb2MHQBERT:BidirectionalEncoderRepre

老叭美食家·2023-12-01 12:02

论文学习-Attention Is All You Need

AttentionIsAllYouNeed目前暂时不会用到，大概了解一下即可。Recurrentmodel序列化的计算方式，难以并行，随着序列的增长，以前的记忆会逐渐丢失。而Attention机制可以观察到句子中所有的信息，不受距离影响，而且可以并行计算。参考资料：Youtubevideo:李沐老师https://www.youtube.com/watch?v=nzqlFIcCSWQQ，K，V分别

老叭美食家·2023-12-01 12:02

论文学习-Word Embedding and Word2Vec

Word2VecLeaningnoteLearningNaturalLanguageprocessingissoabstract.But,fortunately,therearesomevideosonYouTubethatexplainitclearly.SoItakesomeimagesforanote.Bytheway,iwantwritethisnotetomyblogactually,b

老叭美食家·2023-12-01 12:32

论文学习-Bert 和GPT 有什么区别？

FoundationModels,Transformers,BERTandGPT总结一下：Bert是学习向量表征，让句子中某个词的Embedding关联到句子中其他重要词。最终学习下来，就是词向量的表征。这也是为什么Bert很容易用到下游任务，在做下游任务的时候，需要增加一些MLP对这些特征进行分类啥的，也就是所谓的微调fine-tune。在Bert的训练中，采用了MASK（完形填空）的思想，用句

老叭美食家·2023-12-01 12:28

【论文学习】机器学习模型安全与隐私研究综述

机器学习在数据层、模型层以及应用层面临的安全和隐私威胁，呈现出多样性、隐蔽性和动态演化的特点。应用领域：计算机视觉、自然语言处理、语音识别等应用场景：自动驾驶、人脸识别、智慧医疗等Keywords:machinelearning;poisoningattack;adversarialexample;modelprivacy;artificialintelligencesecurity引言机器学习模

Bosenya12·2023-11-30 09:05

GAN：GAN论文学习

论文：https://arxiv.org/pdf/1406.2661.pdf发表：2014一、GAN简介：GenerativeAdversarialNetworkGAN是由IanGoodfellow于2014年提出，GAN：全名叫做生成对抗网络。GAN的目的就是无中生有，以假乱真。GAN由两部分构成：生成器G+判别器D生成器：将随机输入的高斯噪声映射成图像（“假图”），判别器：判断输入图像是否来自

微风❤水墨·2023-11-29 06:37

2022-2-27晨间日记

睡觉前打算去看看房思琪的初恋乐园终于有时间去看书啦天气：晴心情：低落焦虑纪念日：外公生日任务清单昨日完成的任务，最重要的三件事：论文小组讨论找资料改进：主题不够新习惯养成：少花钱争取年末还完债周目标·完成进度完成少花钱写论文学习

温小扯·2023-11-28 20:07

KDD2020最佳论文学习：On Sampled Metrics for Item Recommendation

python小白22·2023-11-28 02:41

CVPR 2023 精选论文学习笔记：ScanDMM A Deep Markov Model of Scanpath Prediction for 360deg Images

我们给出四个符合MECE要求的分类标准：1、任务类型图像质量评估：该任务涉及评估图像的质量，通常是通过将其与参考图像进行比较。参考文献[50]和[60]都关注这个任务。视觉显著性：该任务涉及识别图像中最显著的部分。图像中最显著的部分是那些最有可能首先吸引注意力的部分。参考文献[51、52、53、<

结构化文摘·2023-11-27 09:32

CVPR 2023 精选论文学习笔记：Prefix Conditioning Unifies Language and Label Supervision

以下是根据MECE原则给出的四个分类标准：1.学习范式。学习范式是指用于训练模型的一般方法。在视觉语言模型的背景下，主要的两种学习范式是监督学习和无监督学习。监督学习：监督学习涉及在标记的图像-文本对数据集上训练模型。标签为模型提供了明确的指导，使其能够学习图像和文本之间所需的关系。这种类型的学习通常用于需要模型根据输入数据进行预测或分类的任务，例如图像描述、视觉问题回答和视觉定位。无监督学习：无

结构化文摘·2023-11-27 09:57

【论文学习】Adversarial Examples on Graph Data: Deep Insights into Attack and Defense论文学习

摘要类似GCN这样的图深度学习模型近几年咋一些图数据任务上取得了很好的效果。与其他的深度学习模型类似，图深度学习模型通常也会遭受到对抗攻击。但是，跟非图数据相比，图数据中的离散特征，图连接以及对于扰动的不可感知的不同定义给图对抗攻击带来了许多挑战。在这篇文章中，作者提出了攻击和防御的方法。在攻击的时候，作者发现图数据的这些离散特性可以通过引入积分梯度来解决。这个积分梯度可以反映出对图中的某一条边或

精致又勤奋的码农·2023-11-27 06:13

论文学习：New Similarity of Triangular Fuzzy Number and Its Application

一.介绍由于信息的不确定性和决策问题的复杂性，决策者很难用精确的数字来表达自己的偏好，所以他们更容易用模糊术语来表达偏好。三角模糊数不仅可以用来表示信息的模糊性和不确定性，还可以表示信息处理中的模糊项，相似性是两个模糊概念之间类比推理的重要工具。本文提出了一种新的测量两个三角模糊数相似度的方法SIAM。二.三角模糊数模糊数：如果正则凸模糊集是基于实域且满足以下条件：（1）仅存在一个元素，使得；（2

python小白22·2023-11-27 04:56

CVPR 2023 精选论文学习笔记：@LOGO A Long-Form Video Dataset for Group Action Quality Assessment

根据MECE原则，我们给出以下四个分类标准：1.数据集类型AQA数据集：这些数据集专门用于评估视频中人类动作的质量。它们通常包含对动作标签和动作质量的注释。示例包括JIGSAWS、MTL-AQA、AQA-7、UI-PRMD和

结构化文摘·2023-11-26 19:33

CVPR 2023 精选论文学习笔记：Meta-Tuning Loss Functions and Data Augmentation for Few-Shot Object Detection

我们给出以下四个分类标准：1.学习方法元学习：元学习是一种学习范式，旨在教模型如何快速学习新任务。在小样本学习的背景下，元学习算法在各种任务上进行训练，每个任务只有少数示例。这允许模型学习如何调整其学习过程以适应新任务，即使这些任务与它以前见过的任务非常不同。数据增强：数据增强是一种通过对现有数据应用转换来生成新训练数据的技术。这对于小样本学习来说可以是一种有用的技术，因为它可以帮助增加可用训练数

结构化文摘·2023-11-26 19:33

CVPR 2023 精选论文学习笔记：Robust 3D Shape Classification via Non-Local Graph Attention Network

基于MECE原则，我们给出以下四个分类标准：1、数据表示。数据表示是指3D点云数据如何在神经网络中表示。三种主要的数据表示类型是体素、点和图。体素化：在体素化表示中，3D点云被离散成一个体素网格，每个体素由一个特征向量表示。这种表示通常用于需要全局上下文的任务，例如分割和形状分析。点：在点表示中，每个3D点由一个特征向量表示，点之间的关系编码在神经网络架构中。这种表示通常用于需要局部上下文的任务，

结构化文摘·2023-11-26 19:03

CVPR 2023 精选论文学习笔记：Continual Semantic Segmentation with Automatic Memory Sample Selection

根据MECE原则，我们给出以下四个分类标准：标准1：持续学习方法。持续学习是指机器学习模型在不忘记以前学过的知识的情况下学习新任务的能力。持续学习有三种主要方法：复习式方法：这些方法定期回顾和重新训练模型在以前学过的数据的子集上。这有助于防止模型忘记旧知识。示例式方法：这些方法在一个内存缓冲区中存储每个任务的一小组示例。然后，模型在新任务数据以及来自内存缓冲区的示例上进行训练。这有助于确保模型在不

结构化文摘·2023-11-26 19:03

CVPR 2023 精选论文学习笔记：NoPe-NeRF Optimising Neural Radiance Field with No Pose Prior

结构化文摘·2023-11-26 19:02

CVPR 2023 精选论文学习笔记：Delving Into Shape-Aware Zero-Shot Semantic Segmentation

基于MECE原则，我们给出以下四种分类标准：标准1：分割类型语义分割：将图像中的每个像素分类为语义类别，例如“人”、“车”或“树”。这是最常见的分割类型，

结构化文摘·2023-11-26 19:26

第六十二周周报

学习目标：一、实验二、论文学习时间：2023.11.11-2023.11.17学习产出：实验1、CB模块实验效果出来了，加上去效果不太行，后续实验考虑是否将CB模块换到其他地方2、CiFAR100实验已完成

童、一·2023-11-26 14:59

第六十三周周报

学习目标：项目实验和论文学习时间：2023.11.18-2023.11.24学习产出：论文对论文进行了润色和修改实验1、上周Diffusion+Relative的结果无法再次复现，新跑的FID与以前实验跑的结果相差不大

童、一·2023-11-26 14:54

行人重识别RE-ID 琐碎知识点总结

1.singleshot和mutishot前者是指gallery中每个人的图像为一张（N=1），而后者是指gallery中每个人的图像为N>1张图像，同样的Rank-1下，一般N越大，得到的识别率越高。2.gallery、probe和CMCgallery是候选行人库，probe是待查询输入，也叫查询图像（query），CMC是一种reid的性能评价方法，即CumulativeMatchCharac

xuluohongshang·2023-11-26 10:13

Co-DETR:DETRs与协同混合分配训练代码学习笔记

关于论文的学习笔记：Co-DETR:DETRs与协同混合分配训练论文学习笔记-CSDN博客作者提出了一种新的协同混合任务训练方案，即Co-DETR，以从多种标签分配方式中学习更高效的基于detr的检测器

athrunsunny·2023-11-26 07:52

CVPR 2023 精选论文学习笔记：Post-Training Quantization on Diffusion Models

基于MECE原则，我们给出以下四种分类依据：1.模型类型生成模型用于生成与其训练数据相似的新数据。它们通常用于图像生成、文本生成和音乐生成等任务。语言模型用于理解和生成人类语言。它们通常用于机器翻译、聊天机器人和文本摘要等任务。其他模型用于各种任务，例如图像分类、目标检测和自然语言处理。2.量化类型

结构化文摘·2023-11-26 06:33

【论文学习笔记】《A Review of Deep Learning Based Speech Synthesis》

基于深度学习的语音合成综述论文学习文章目录基于深度学习的语音合成综述论文学习1简介2语音合成概述2.1语音合成概念2.2语音合成发展历史2.3传统语音合成技术2.3.1拼接式语音合成2.3.2参数式语音合成

FallenDarkStar·2023-11-24 21:54

论文学习王文伟 | 把握读后续写这4个契合点，提升学习实效！

1.本文主要探讨了读后续写中哪几个方面的契合点？在内容、结构、论述及语言这四个契合点上2.每个契合点的主要任务是什么？前读”阶段内容方面，教师应该结合记叙文的叙事风格和特点设计相关的问题，让学生充分理解，概括出文章主旨，并结合记叙文的要素进行理解。接着引导学生梳理出文章的叙事顺序结构接着预测。结构方面就是用问题引导学生理清文章的叙事逻辑和冲突，然后结合你经预测的内容，自问自答的方式来r理清续写的叙

刘婕_18e1·2023-11-24 19:11

Co-DETR:DETRs与协同混分配训练论文学习笔记

论文地址：https://arxiv.org/pdf/2211.12860.pdf代码地址：GitHub-Sense-X/Co-DETR:[ICCV2023]DETRswithCollaborativeHybridAssignmentsTraining摘要作者提出了一种新的协同混合任务训练方案，即Co-DETR，以从多种标签分配方式中学习更高效的基于detr的检测器。这种新的训练方案通过训练ATS

athrunsunny·2023-11-24 07:51

2019-07-02 论文分类

一论文学习根据网址（https://www.jianshu.com/p/6d761f8a8149）里提供的近年来计算机视觉会议上相关论文，和谷歌学术搜索整理筛选出现阶段需要的部分，主要的方向有三个，跟面部有关

Eurekaaaa·2023-11-23 02:16

2019-4-1晨间日记

周目标·完成进度弄完论文学习·信息·阅读论文健康·饮食·锻炼早睡早起，饮食清淡（一定要戒油诫辣），多喝水，多运动。人际·家

紫薇忘了水葫芦·2023-11-21 21:46

[论文学习]FlushTime: Towards Mitigating Flush-based Cache Attacks via Collaborating Flush Instructions a

摘要ARMv8-A处理器通常利用多层缓存、无序执行和分支预测等优化技术来提高性能。这些优化技术不可避免地受到缓存相关攻击的威胁，包括Flush-Reload、Flush-Flush、Meltdown、Spectre及其变体。这些攻击可以打破不同进程之间甚至用户和内核空间之间的隔离边界。研究人员提出了许多防御方案来抵御这些与缓存相关的攻击。然而，它们要么需要修改硬件体系结构，要么覆盖范围不完整，要么

晴空对晚照·2023-11-20 15:43

DEEP-FRI: Sampling Outside the Box Improves Soundness论文学习笔记

1.引言前序博客有：DEEPFRI协议AsummaryontheFRIlowdegreetest前2页导读RISCZero的手撕STARKReed-SolomonCodes——RS纠错码Reed-SolomonCodes及其与RISCZerozkVM的关系EliBen-Sasson等人2019年论文《DEEP-FRI:SamplingOutsidetheBoxImprovesSoundness》。

mutourend·2023-11-20 10:49

Mistral 7B 比Llama 2更好的开源大模型（二）

Mistral7B论文学习Mistral7B论文链接https://arxiv.org/abs/2310.06825代码:https://github.com/mistralai/mistral-src

段智华·2023-11-16 17:24

车道线检测-LSTR-论文学习笔记

论文：《End-to-endLaneShapePredictionwithTransformers》代码：https://github.com/liuruijin17/LSTR地址：https://arxiv.org/abs/2011.04233v2内容：使用CNN+Transformer，基于三次曲线拟合车道线整体结构模型输出的东西gt=(k′′,f′′,m′′,n′,bt′′,bt′′′,αt

tomeasure·2023-11-16 11:35

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks - 翻译学习

知识密集型NLP任务的检索增强生成-论文学习文章目录Abstract1Introduction2Methods2.1Models2.2Retriever:DPR2.3Generator:BART2.4Training2.5Decoding3Experiments3.1Open-domainQuestionAnswering3.2AbstractiveQuestionAnswering3.3Jeop

多喝开水少熬夜·2023-11-12 17:45

第五十一周周报

学习目标：一、实验二、论文学习时间：2023.8.26-2023.9.1学习产出：实验由于学校网问题，实验暂时还一个没跑完论文完成论文基本撰写，剩下实验部分和需要小修的地方，方法部门由于实验还没做完，傅里叶编码的效果暂时不知

童、一·2023-11-12 01:42

第五十周周报

学习目标：一、补充实验二、编写论文学习时间：2023.8.18-2023.8.25学习产出：一、实验1、由于前面的实验效果没有超过原模型，因此这周又继续实验相对位置编码。

童、一·2023-11-12 01:12

第六十一周周报

学习目标：代码实验论文学习时间：2023.11.4-2023.11.10学习产出：代码1、修改CelebA64数据集的代码，实验暂时没跑完2、添加CB模块，实验暂时没跑完3、修改ViTGAN的CIPSGenerator

童、一·2023-11-12 01:39

论文学习之对比学习【1】-SimCLR：论文阅读与简单demo测试

对比学习SimCLR：论文阅读与简单demo测试1.论文摘要解读：1.1内容翻译1.2重点提要2.对比学习的主要思想3.SimCLR的主要结构解析3.1数据增强3.2数据编码3.3深度映射模块3.4对比损失函数参考文献资料4.基于Pytorch的简单实现4.1加载相关包4.2设置随机参数4.3Cifar10数据读取4.4数据划分4.5数据datagenerator函数4.6Dataloader4.

cnjs1994·2023-11-10 02:35

深度学习行人重识别综述与展望，TPAMI 2021 最新文章

小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者|叶茫武汉大学编辑|CV君转自|我爱计算机视觉（微信id：aicvml）摘要：行人重识别（PersonRe-Identification，简称Re-ID

小白学视觉·2023-11-09 14:39

【AlphaGo论文学习】Mastering the game of Go without human knowledge翻译及心得

原文地址：https://www.gwern.net/docs/reinforcement-learning/alphago/2017-silver.pdf参考的别人的学习解析：AlphaGoZero论文解析|蘑菇先生学习记更直接的论文翻译：【论文翻译】MasteringthegameofGowithouthumanknowledge(无师自通---在不借助人类知识的情况下学会围棋）_hwnbox

PokiFighting·2023-11-09 05:10

推荐频道

re-id论文学习