从实验结果看,加了 RPP 对 mAP 提升还是很大的: Results[1] 总结: 文中PCB的思想虽然简单,但是后续CVPR2018中各种 part-based ReID文章(各种 Multi-scale, multi-level part fusion 啥的)提供了参考价值。特别是云从科技的这篇 MGN[2],更是将 各种粒度的parts 和 triplet loss+ Softmax loss 玩得淋漓尽致...
从实验结果看,加了RPP对MAP提升还是很大的: Results[1] 总结: 文中PCB的思想虽然简单,但是后续CVPR2018中各种part-based ReID文章(各种 Multi-scale, multi-level part fusion 啥的)提供了参考价值。特别是云从科技的这篇MGN[2],更是将各种粒度的parts 和 triplet loss+ Softmax loss玩得淋漓尽致~ SGGNN [3...
reid PCB.py README.md RPP.py train_PCB.sh train_RPP.sh Part-based Convolutional Baseline for Person Retrieval and the Refined Part Pooling Code for the paperBeyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline). ...
目标:将原始数据转化为二进制文件(.bin)。 ①下载PCB_RPP_for_reID开源代码,并将PCB_RPP_for_reID/reid/datasets移到ModelZoo源码包根路径下。 git clone https://github.com/syfafterzy/PCB_RPP_for_reID.git cd PCB_RPP_for_reID git reset --hard e29cf54486427d1423277d4c793e39ac0eeff87c cd .. ...
cd PCB_RPP_for_reID git reset--hard e29cf54486427d1423277d4c793e39ac0eeff87c cd .. cp -r PCB_RPP_for_reID/reid/datasets ./ ②执行PCB_pth_preprocess.py脚本。运行成功后生成query_preproc_data_Ascend310和gallery_preproc_data_Ascend310文件夹。
# 参数定义 EPOCH_NUM=10 SAVE_EPOCH=5 BATCH_SIZE=8 LEARN_STEP=[8000] LEARN_RATE=[0.01, 0.001] MODEL_STRUCT='PCB' # ['PCB','PCB+RPP'] 模型结构,是否包含RPP SOLVE_STATUS='TEST' # ['PCB','PCB+RPP','ALL'] 训练过程 ['TEST','QUERY'] 测试过程 IS_TEST= True # 训练/提特征 USE_...
Compared with the PCB+ RPP algorithm, the proposed algorithm provides a margin of 0. 8% and 4. 5% over Marketl501 for Rankl and mAP, respectively. For the dataset of DukeMTMC-Reid, it improves PCB by 5.5% in Rankl accuracy and by about 7% in mAP.赵师亮...
PCB部分的第三步即可用上述RPP取代,即RPP后,得到每个part对应的attention map权值,后续的降采样等步骤一致。 如何训练RPP中calssifier的权重 这个权重就是上一部分第4步中的 将图像等分,训练PCB至收敛 将T后面的Average pooling替换为一个p分类的part classifier ...
在典 型的行人识别数据库 Market1501 、 DukeMTMC-ReO 上的实验结果表明 : 所提算法具有更好的首中准确率 # Rank1 ) 和平均准确率 ( mAP ) ; 相比于经典的 PCB + RPP 算法 , 所提算法在 Market1501 数据集上 Rank1 提高了 0.8 % , mAP 提高了 4. 5 % ;在 DukeMTMC-Reid 数据集上 Rxkl ...
PCB 一文其实提出两个方法——PCB 和 RPP,其中 PCB 是非常简单的部件学习 baseline,相关研究员已很熟悉。如图 1 所示,PCB 最大的特点是在卷积特征层进行均匀水平分割产生相应的部件特征。后续一些方法把 PCB 作为 baseline,也取得了大幅提升,比如引入多粒度的均匀分割的 MGN[3]。此外,旷视研究院还将PCB应用于大...