Online Instance Matching Loss的理解
来自港中文联合检测和识别的端到端行人重识别论文，使用OIM损失训练网络，下面是我对OIM损失的个人理解，记录以备查阅。 检测结果有3种proposals：有标记的身份，无标记的身份和背景。 假设训练集有L个目标人物，D是提取的特征维度。 使用两个辅助结构，LUT（Lookup Table）和CQ（Circular Queue）。 1、LUT用来储存所有的有标记身份的特征向量。 用V来表示LUT，
相关文章
- 1. 《Online Multiple Pedestrian Tracking using Deep Temporal Appearance Matching Association》
- 2. 一文理解Ranking Loss/Margin Loss/Triplet Loss
- 3. 理解：Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps
- 4. 【论文理解】Where to Buy It: Matching Street Clothing Photos in Online Shops
- 5. 一文理解Ranking Loss/Contrastive Loss/Margin Loss/Triplet Loss/Hinge Loss
- 6. CTC loss 理解
- 7. Focal Loss理解
- 8. ECCV2018 Online Multi-Object Tracking with Dual Matching Attention Networks
- 9. Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution
- 10. loss function 的简单理解
- 更多相关文章...
- • MyBatis的工作原理 - MyBatis教程
- • ARP协议的工作机制详解 - TCP/IP教程
- • Docker 清理命令
- • 常用的分布式事务解决方案
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 《Online Multiple Pedestrian Tracking using Deep Temporal Appearance Matching Association》
- 2. 一文理解Ranking Loss/Margin Loss/Triplet Loss
- 3. 理解：Where to Focus: Query Adaptive Matching for Instance Retrieval Using Convolutional Feature Maps
- 4. 【论文理解】Where to Buy It: Matching Street Clothing Photos in Online Shops
- 5. 一文理解Ranking Loss/Contrastive Loss/Margin Loss/Triplet Loss/Hinge Loss
- 6. CTC loss 理解
- 7. Focal Loss理解
- 8. ECCV2018 Online Multi-Object Tracking with Dual Matching Attention Networks
- 9. Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution
- 10. loss function 的简单理解