搜索资源列表
Transitive-Re-identification
- 行人再识别。人再次鉴定的准确性可以显著提高给定一个训练集,演示了外表的变化与非重叠的两个摄像头。我们测试时是否能保持这种优势直接标注的训练集并非对所有现场camera-pairs可用。给定的训练集捕捉相机A和B之间的对应关系和不同的训练集捕捉相机B和C之间的对应关系,传递鉴定算法(TRID)建议提供了一个分类器(A,C)对外观。该方法是基于统计建模和使用一个边缘化的推理过程。这种方法可以显著减少注释工作固有的学习系统。-Person re-identification accuracy can
Dual Deep Network for Visual Tracking
- 转载：基于深度学习方法来实现行人再识别的程序段。(To achieve pedestrian re-recognition of the program)
CNN+RNN
- 行人再识别 CNN+RNN 亲测有效，训练时间短(person re-identification CNN+RNN)
Dropout
- Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identification 2016年CVPR的一篇论文 行人再识别方法(Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identification A CVPR Paper 2016 Pedestrian Reidenti
kissme
- 实现行人再识别中的特征提取，距离匹配，从而判断是否为同一个行人。(Realize feature extraction and distance matching in pedestrian re-identification to determine whether it is the same pedestrian.)
Simple Demo
- 人搜索 依赖 在python3.7 MacOS 10.14.6下测试 ——python包 ——opencv-python ——tb-nightly -torch>= 1.0 下载weights 从这里下载，密码:qscx 下载后，将权重放到文件夹 person_search_demo/weights中 测试 cd <指向此floder>的路径 python search 结果将保存在输出文件夹中 训练 您可以直接使用原始的YOLO代码进行培训。