文件名称：行人再识别Person-reID的Pytorch实现-python
文件大小：271KB
文件格式：ZIP
更新时间：2024-07-08 12:44:10
机器学习
行人再识别Person-reID的Pytorch实现 Person_reID_baseline_pytorch 一个小巧、友好、强大的 Person-reID 基线代码（基于 pytorch）。 强的。 它与几个*会议工作中的新基线结果一致，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）、用于人员的相机风格适应重新识别（CVPR18）。 我们到达 Rank@1=88.24%, mAP=70.68% 仅使用 softmax 损失。 小的。 使用 fp16（由 Nvidia apex 支持），我们的基线可以仅使用 2GB GPU 内存进行训练。 友谊赛。 您可以使用现成的选项在一行中应用许多最先进的技巧。 此外，如果您不熟悉 person re-ID，您可以先查看我们的教程（8 分钟阅读）:thumbs_up:。 目录 特性 一些新闻 训练模型先决条件 入门 安装 数据集准备 训练测试评估 使用其他数据集进行训练的技巧 引文 相关存储库功能 现在我们支持： Float16 以节省 GPU 内存，基于 a
【文件预览】：
Person_reID_baseline_pytorch-master
----.gitignore(372B)
----circle_loss.py(2KB)
----model()
--------.gitkeep(1B)
----show.png(214KB)
----leaderboard()
--------README.md(18KB)
----.travis.yml(681B)
----sitemap.xml(80KB)
----LICENSE(1KB)
----prepare.py(4KB)
----prepare_static.py(4KB)
----.github()
--------ISSUE_TEMPLATE()
----README.md(15KB)
----prepare_viper.py(2KB)
----random_erasing.py(2KB)
----test.py(9KB)
----tutorial()
--------Answers_to_Quick_Questions.md(3KB)
--------README.md(17KB)
----demo.py(4KB)
----evaluate.py(3KB)
----evaluate_gpu.py(4KB)
----evaluate_rerank.py(3KB)
----GPU-Re-Ranking()
--------utils.py(3KB)
--------README.md(1KB)
--------gnn_reranking.py(2KB)
--------evaluate_rerank_gpu.py(2KB)
--------extension()
----model.py(8KB)
----re_ranking.py(4KB)
----train.py(15KB)