Advertisement

行人再识别Person-reID的PyTorch代码(python)。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
行人再识别Person-reID的Pytorch实现Person_reID_baseline_pytorch是一个紧凑、易用且功能强大的Person-reID基线代码，该代码基于PyTorch。它与多个顶尖学术会议中发表的新基准结果高度一致，例如用于人员重新识别的联合判别和生成学习（CVPR19）、超越部件模型：具有精细部件池的人员检索（ECCV18）以及用于人员的相机风格适应重新识别（CVPR18）。我们取得了显著的成果，实现了Rank@1=88.24%和mAP=70.68%，仅利用softmax损失函数。该代码体积小巧，并且在训练过程中对GPU内存的需求极低。通过采用fp16格式（并借助Nvidia Apex的支持），我们的基线模型能够在仅需2GB GPU内存的情况下完成训练。此外，它还提供友好的接口，允许您轻松地在单行代码中应用许多最先进的技术。如果您是Person-reID领域的初学者，可以先参考我们的简要教程（预计阅读时间为8分钟）：thumbs_up。目录、特性、一些新闻、训练模型、先决条件、安装、数据集准备、训练技巧、测试技巧、评估以及使用其他数据集进行训练等内容均已详细呈现。目前，我们已经扩展了支持功能，包括Float16以进一步节省GPU内存，并基于a...

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于Pytorch的行人再识别（Person-ReID）Python代码实现
    优质
    本项目采用PyTorch框架实现了行人重识别的关键算法，通过优化模型结构和参数，提高了不同场景下行人的准确识别率。 Person-reID的Pytorch实现（代码库名称为 Person_reID_baseline_pytorch）是一个小巧、友好且强大的基线代码框架。该框架与多个顶级会议的工作中的新基准结果一致，例如用于人员重新识别的联合判别和生成学习（CVPR19）、超越部件模型：具有精细部件池的人员检索（ECCV18）、以及用于人员相机风格适应重识别（CVPR18）。仅使用softmax损失函数，我们达到了Rank@1=88.24%，mAP=70.68% 的性能。 此外，框架小巧轻量。通过采用fp16格式并借助Nvidia apex的支持，我们的基线模型可以在仅有2GB GPU内存的情况下进行训练。 友好性方面，在一行代码中可以轻松应用许多最先进的技巧，并且对于不熟悉Person-reID的新用户，我们提供了一份简短的教程（大约8分钟阅读时间）帮助入门。 该框架支持以下功能： - Float16：用于节省GPU内存 以及其他一些先进特性。
     
  • 行人再识别（ReID）技术综述（2016）.pdf
    优质
    本文为行人再识别(ReID)技术提供了一份全面的文献回顾，涵盖自2016年以来的发展趋势、关键技术及挑战。 Person Re-identification: Past, Present and Future is a comprehensive review of the advancements in person re-identification technology. This paper covers both theoretical foundations and practical applications, providing insights into how this field has evolved over time and where it might be heading. It explores various methodologies used for identifying individuals across different camera views in large-scale surveillance systems or other multi-camera environments. The document also discusses challenges faced by researchers and practitioners in the area of person re-identification, along with potential solutions to these issues.
     
  • person-reid-pytorch-deep-sort_ckpt_20211201.rar
    优质
    这段内容是Person-ReID（行人重识别）与Deep SORT算法结合的一个PyTorch模型文件，具体日期为2021年12月1日。适用于追踪和识别视频中的行人。 ckpt-person-reid-pytorch-deep-sort_20211201.rar
     
  • Python中使用PyTorch实现行人再识别(PersonreID)
    优质
    本项目利用Python和深度学习框架PyTorch来实现行人再识别（PersonReID）系统，旨在通过不同摄像头捕捉到的人体图像进行身份匹配。 行人再识别（Person-reID）的Pytorch实现。
     
  • Deep-Person-ReID：Torchreid——基于PyTorch的深度学习人员再识别工具
    优质
    Deep-Person-ReID是Torchreid项目的一部分，该项目是一个使用PyTorch构建的深度学习框架，专注于人员再识别研究。 Torchreid是一个用于深度学习人员重新识别的工具包。它具备以下特性：支持多GPU训练；同时兼容图像与视频端到端培训及评估过程；能够轻松准备ReID数据集；实现跨多个数据集进行训练以及在不同数据集中评估模型的能力，遵循大多数研究论文的标准协议；高度可扩展性（方便添加新模型、数据集和训练方法等）；提供最先进的深度学习人员重识别模型的实施方式，并允许访问预培训的ReID模型及进阶训练技巧。此外，它还配备了可视化工具如TensorBoard。 最新更新包括： - v1.3.6：新增支持多视角与多源地理定位功能；引入新的数据集。 - v1.3.5：现在可以在Windows操作系统上运行此软件包。 - [2021年1月] 最近的研究工作提出了一种混合不同域样本的实例级特征统计量的方法。
     
  • 行人再识别
    优质
    行人再识别是一种计算机视觉技术，用于在不同摄像机视角下识别和匹配同一个人，广泛应用于智能监控、零售分析等领域。 利用Top-Push方法实现了行人重识别，参考文献为《Top-push Video-based PersonRe-identification》。实现过程中对部分代码进行了加密处理。
     
  • 使用PyTorch的Python-Facenet进行人脸识别
    优质
    本项目利用Python-Facenet库和深度学习框架PyTorch实现高效的人脸识别系统，致力于提供精确、快速的人脸匹配解决方案。 Facenet使用PyTorch进行人脸识别。
     
  • RegDB行人再识别数据集
    优质
    RegDB行人再识别数据集是一个专门设计用于评估和比较不同行人重识别算法性能的数据集合，包含大量多视角、跨场景的行人图像。 用于行人再识别的RegDB数据集。
     
  • 行人再识别——评估准则
    优质
    行人再识别技术旨在通过计算机视觉手段识别人在不同摄像头下的身份。本文章将重点介绍该领域内的各种评估准则与指标，帮助读者理解并优化行人再识别系统的性能。 行人重识别的评价指标包括Rank-n, CMCPrecision & Recall, mAP, 和mINP。 **Rank-n**: 在查询前n个结果中出现正确目标的概率。 例如，假设标签为m1，在一个包含100个样本的数据集中进行搜索： - 如果检索到的结果顺序是m1、m2、m3、m4、m5... 则rank-1的准确率为100%，同样地，rank-2和rank-5也是100%。 - 若结果为 m2, m1, m3, m4, m5... 那么 rank-1 的准确率是 0%，而 rank-2 和 rank-5 则分别是 100%。 - 如果检索顺序为m2、m3、m4、m5、m1...，则rank-1的正确率为0%，但rank-2及以上的指标会逐步提高至完全匹配时。
     
  • 行人识别代码
    优质
    行人识别代码是一套专为自动检测和跟踪视频或图像中的行人设计的算法与程序。通过先进的计算机视觉技术，该系统能够准确地从复杂背景中分离出行人，并实时分析行人的移动轨迹及行为模式，广泛应用于智能监控、无人驾驶等领域，提升公共安全与交通效率。 自己训练SVM分类器进行HOG行人检测，在VS2013环境下使用OpenCV实现。