梦里风林
首页
知乎
Github
赞赏
搜索文档…
Introduction
Android
Computer Vision
Machine Learning
技巧
实践
工具
Papers
Classification
Re-identification
CVPR2018:TFusion完全解读
ECCV2018:TAUDL
CVPR2018:Graph+reid
Person Re-identification
CVPR2016 Re-id
Camera topology and Person Re-id
Deep transfer learning Person Re-id
Evaluate
Object Detection
Depth
3D vision
Hashing
大杂烩
《机器学习》(周志华)读书笔记
Java
后端开发
Linux && Hardware
Python
web前端
UI
kit
thinking-in-program
我的收藏
琐记
赞赏支持
由
GitBook
提供支持
Camera topology and Person Re-id
Our Method
retrain the image classifier
deep learning model
不依赖场景
Monitoring Activities from Multiple Video Streams: Establishing a Common Coordinate Frame(LSCTM-19-18)
只比较同一时刻不同空间的图片
通过拼合地面来决定摄像头之间的重叠与关联
Tracking Across Multiple Cameras With Disjoint Views(LSCTM-19-14)
融合space-time和appearance的概率公式做最终的预测
用appearance的相似来建立关联,从而学习出space-time模型
找到appearance最相近的两个object进行时空迁移概率的学习
没有对图像分类器做进一步的优化
场景中有多个人物时,只有图像分类器生效
比较不同时间空间的图片
A Stochastic Approach to Tracking Objects Across Multiple Cameras(LSCTM-19-10)
训练Markov时空模型
训练是通过识别一个人携带的红色球的运动来进行的(用球产生轨迹训练集)
预测时结合时空和图像分类器预测
没有重新训练图像分类器
LEARNING A MULTI-CAMERA TOPOLOGY (LSCTM-19-11)
Detect and Track object
场景中找到入口和出口
建立所有入口和出口结点的迁移拓扑结构
Markov-train和HMM建立概率模型
没有重新训练图像分类器
总结 根据摄像头拓扑辅助Re-id,
在知道拓扑的情况下,可以用于对结果直接进行剪枝减少搜索空间,
在不知道拓扑的情况下,需要学习拓扑,
学习拓扑往往将时空模型表达为概率模型,用概率密度函数表示,常用Markov建模。
学习拓扑通常需要知道轨迹之间的关联,这种关联基本上也是用图像分类器来做,具体体现为tracking等。
概率模型的建模和最后辅助图像分类器预测都有许多概率的文章可以做。
以前
CVPR2016 Re-id
下一个
Deep transfer learning Person Re-id
最近更新
3yr ago
复制链接
内容
Our Method
Monitoring Activities from Multiple Video Streams: Establishing a Common Coordinate Frame(LSCTM-19-18)
Tracking Across Multiple Cameras With Disjoint Views(LSCTM-19-14)
A Stochastic Approach to Tracking Objects Across Multiple Cameras(LSCTM-19-10)
LEARNING A MULTI-CAMERA TOPOLOGY (LSCTM-19-11)
总结 根据摄像头拓扑辅助Re-id,