【行人重識別最新進展】2017-2018年行人重識別演算法精度統計
2017-2018年行人重識別演算法在開源資料集上的表現
Market-1501
Method |
Time |
Single Query |
Multi. Query |
||
rank-1 |
mAP |
rank-1 |
mAP |
||
Verif-Identif. + LSRO [1] |
2017 ICCV |
83.97 |
66.07 |
88.42 |
76.10 |
Basel. + LSRO [1] |
2017 ICCV |
78.06 |
56.23 |
85.12 |
68.52 |
SVDNet(C) [2] |
2017 ICCV |
80.5 |
55.9 |
|
|
SVDNet(R,1024-dim) [2] |
2017 ICCV |
82.3 |
62.1 |
|
|
M-net [3] |
2017 ICCV |
73.1 |
|
|
|
HP-net [3] |
2017 ICCV |
76.9 |
|
|
|
CADL [7] |
2017 CVPR |
73.84 |
47.11 |
80.85 |
55.58 |
Fusion [9] |
2017 CVPR |
80.31 |
57.53 |
86.79 |
66.70 |
SSM [10] |
2017 CVPR |
82.21 |
68.80 |
88.18 |
76.18 |
Spindle [12] |
2017 CVPR |
76.9 |
|
|
|
DeepAlign. [13] |
2017 ICCV |
81.0 |
63.4 |
|
|
Zhong et al. [14] |
2017 CVPR |
77.11 |
63.63 |
|
|
TriNet (Re- ranked) [15] |
2017 ICCV |
86.67 |
81.07 |
91.75 |
87.18 |
PDC [16] |
2017 ICCV |
84.14 |
63.41 |
|
|
DPFL [17] |
2017 ICCV |
88.6 |
72.6 |
92.2 |
80.4 |
DPFL(2+) [17] |
2017 ICCV |
88.9 |
73.1 |
92.3 |
80.7 |
PSE [18] |
2018 CVPR |
87.7 |
69.0 |
|
|
PSE+ ECN (rank-dist) [18] |
2018 CVPR |
90.3 |
84.0 |
|
|
IDE∗+Cam Style+RE [19] |
2018 CVPR |
89.49 |
71.55 |
|
|
MobileNet+DML [20] |
2018 CVPR |
87.73 |
68.83 |
91.66 |
77.14 |
Resnet50-res5c (multi-scale) 83.58 64.25+DSR (fine-tuning model) [21] |
2018 CVPR |
83.58 |
64.25 |
|
|
DuATM [23] |
2018 CVPR |
91.42 |
76.62 |
|
|
HA-CNN [25] |
2018 CVPR |
91.2 |
75.7 |
93.8 |
82.8 |
SPReIDcombined-ft*+re-ranking [26] |
2018 CVPR |
94.63 |
90.96 |
|
|
MLFN [27] |
2018 CVPR |
90.0 |
74.3 |
92.3 |
82.4 |
BraidNet-CS + SRL [29] |
2018 CVPR |
83.70 |
69.48 |
|
|
Pose-transfer (D, Tri) [30] |
2018 CVPR |
87.65 |
68.92 |
|
|
DaRe(De)+RE+RR [31] |
2018 CVPR |
90.9 |
86.7 |
|
|
TFusion-sup [32] |
2018 CVPR |
73.13 |
|
|
|
Chen et al. [33] |
2018 ECCV |
81.8 |
93.3 |
87.9 |
95.3 |
HAP2S_E [34] |
2018 ECCV |
84.20 |
69.76 |
|
|
HAP2S_P [34] |
2018 ECCV |
84.59 |
69.43 |
|
|
Mancs [35] |
2018 ECCV |
93.1 |
82.3 |
95.4 |
87.5 |
Suh et al. [37] |
2018 ECCV |
93.4 |
89.9 |
95.4 |
93.1 |
Base Model + SGGNN [38] |
2018 ECCV |
92.3 |
82.8 |
|
|
DukeMTMC-reID
Method |
Time |
rank-1 |
mAP |
Basel. + LSRO [1] |
2017 ICCV |
67.68 |
47.13 |
SVDNet (C) [2] |
2017 ICCV |
67.6 |
45.8 |
SVDNet (R) [2] |
2017 ICCV |
76.7 |
56.8 |
DPFL [17] |
2017 ICCV |
79.2 |
60.6 |
PSE [18] |
2018 CVPR |
79.8 |
62.0 |
PSE+ ECN (rank-dist) [18] |
2018 CVPR |
85.2 |
79.8 |
IDE∗+Cam Style+RE [19] |
2018 CVPR |
78.32 |
57.61 |
DuATM [23] |
2018 CVPR |
81.82 |
64.58 |
HA-CNN [25] |
2018 CVPR |
80.5 |
63.8 |
Inception-V3ft*+re-ranking [26] |
2018 CVPR |
89.41 |
84.82 |
SPReIDcombined-ft*+re-ranking [26] |
2018 CVPR |
88.96 |
84.99 |
MLFN [27] |
2018 CVPR |
81.0 |
62.8 |
BraidNet-CS + SRL [29] |
2018 CVPR |
76.44 |
59.49 |
DaRe(De)+RE+RR [31] |
2018 CVPR |
84.4 |
80.0 |
HAP2S_E [34] |
2018 ECCV |
76.08 |
59.58 |
HAP2S_P [34] |
2018 ECCV |
75.94 |
60.64 |
Mancs [35] |
2018 ECCV |
84.9 |
71.8 |
Suh et al. [37] |
2018 ECCV |
88.3 |
83.9 |
Base Model + SGGNN [38] |
2018 ECCV |
81.1 |
68.2 |
CUHK03-labeled
Method |
Time |
rank-1 |
rank-5 |
rank-10 |
rank-20 |
mAP |
Basel.+LSRO [1] |
2017 ICCV |
73.1 |
92.7 |
96.7 |
|
77.4 |
Verif-Identif. + LSRO [1] |
2017 ICCV |
84.6 |
97.6 |
98.9 |
|
87.4 |
SVDNet(C) [2] |
2017 ICCV |
68.5 |
|
|
|
73.3 |
SVDNet(R,1024-dim) [2] |
2017 ICCV |
81.8 |
|
|
|
84.8 |
M-net [3] |
2017 ICCV |
88.2 |
98.2 |
99.1 |
99.5 |
|
HP-net [3] |
2017 ICCV |
91.8 |
98.4 |
99.1 |
99.6 |
|
Quadruplet + MargOHNM [6] |
2017 CVPR |
75.53 |
95.15 |
99.16 |
|
|
Quadruplet [6] |
2017 CVPR |
74.47 |
96.92 |
98.95 |
|
|
Fusion [9] |
2017 CVPR |
74.21 |
94.33 |
97.54 |
99.25 |
|
SSM [10] |
2017 CVPR |
76.6 |
|
94.6 |
98.0 |
|
Spindle [12] |
2017 CVPR |
88.5 |
97.8 |
98.6 |
99.2 |
|
DeepAlign. [13] |
2017 ICCV |
85.4 |
97.6 |
99.4 |
99.9 |
90.9 |
PDC [16] |
2017 ICCV |
88.70 |
98.61 |
99.24 |
99.67 |
|
DPFL [17] |
2017 ICCV |
86.7 |
82.8 |
|
|
|
Guo et al. [24] |
2018 CVPR |
87.50 |
97.85 |
99.45 |
|
|
SPReIDcombined-ft*+re-ranking [26] |
2018 CVPR |
96.22 |
99.34 |
99.7 |
|
|
MLFN [27] |
2018 CVPR |
82.8 |
|
|
|
|
BraidNet-CS + SRL [29] |
2018 CVPR |
88.18 |
|
98.66 |
99.48 |
|
DaRe(De)+RE+RR [31] |
2018 CVPR |
73.8 |
|
|
|
74.7 |
Chen et al. [33] |
2018 ECCV |
92.5 |
98.8 |
|
|
|
HAP2S_P [34] |
2018 ECCV |
90.39 |
99.54 |
99.90 |
|
|
Mancs [35] |
2018 ECCV |
93.8 |
99.3 |
99.8 |
|
|
Suh et al. [37] |
2018 ECCV |
91.5 |
99.0 |
99.5 |
99.9 |
|
Base Model + SGGNN [38] |
2018 ECCV |
95.3 |
99.1 |
99.6 |
|
94.3 |
MC-PPMN (hnm) [39] |
2018 AAAI |
86.36 |
98.54 |
99.66 |
|
|
CUHK01(p=486)
Method |
Time |
rank-1 |
rank-5 |
rank-10 |
rank-20 |
Quadruplet + MargOHNM [6] |
2017 CVPR |
62.55 |
83.44 |
89.71 |
|
CSBT [8] |
2017 CVPR |
51.2 |
76.3 |
|
91.8 |
Spindle [12] |
2017 CVPR |
79.9 |
94.4 |
97.1 |
98.6 |
DeepAlign. [13] |
2017 ICCV |
75.0 |
93.5 |
95.7 |
97.7 |
Chen et al. [33] |
2018 ECCV |
84.8 |
95.1 |
98.4 |
|
Suh et al. [37] |
2018 ECCV |
80.7 |
94.4 |
97.3 |
98.6 |
MC-PPMN (hnm) [39] |
2018 AAAI |
78.95 |
94.67 |
97.64 |
|
CUHK01(p=100)
Method |
Time |
rank-1 |
rank-5 |
rank-10 |
rank-20 |
DeepAlign. [13] |
2017 ICCV |
88.5 |
98.4 |
99.6 |
99.9 |
Guo et al. [24] |
2018 CVPR |
88.20 |
98.20 |
99.35 |
|
BraidNet-CS + SRL [29] |
2018 CVPR |
93.04 |
|
99.97 |
100.00 |
Suh et al. [37] |
2018 ECCV |
90.4 |
97.1 |
98.1 |
98.9 |
MC-PPMN (hnm) [39] |
2018 AAAI |
93.45 |
99.62 |
99.98 |
|
Viper
Time |
rank-1 |
rank-5 |
rank-10 |
rank-20 |
|
M-net [3] |
2017 ICCV |
51.6 |
73.1 |
81.6 |
88.3 |
HP-net [3] |
2017 ICCV |
76.9 |
91.3 |
94.5 |
96.7 |
SHaPE [5] |
2017 ICCV |
34.26 |
57.34 |
67.86 |
80.78 |
Quadruplet + MargOHNM [6] |
2017 CVPR |
49.05 |
73.10 |
81.96 |
|
CSBT [8] |
2017 CVPR |
36.6 |
66.2 |
|
88.3 |
Fusion [9] |
2017 CVPR |
38.08 |
64.14 |
73.52 |
82.91 |
SSM [10] |
2017 CVPR |
53.73 |
|
91.49 |
96.08 |
Spindle [12] |
2017 CVPR |
53.8 |
74.1 |
83.2 |
92.1 |
DeepAlign. [13] |
2017 ICCV |
相關推薦【行人重識別最新進展】2017-2018年行人重識別演算法精度統計2017-2018年行人重識別演算法在開源資料集上的表現 Market-1501 Method Time Single Query Multi. Query rank-1 mAP 【OCR技術系列之四】基於深度學習的文字識別(3755個漢字)架構 indices 編碼 協調器 論文 準備 分享 深度 ast 上一篇提到文字數據集的合成,現在我們手頭上已經得到了3755個漢字(一級字庫)的印刷體圖像數據集,我們可以利用它們進行接下來的3755個漢字的識別系統的搭建。用深度學習做文字識別,用的網絡當然是CNN,那具 【Share Code | 每天一點PHP】2017和2018年最好的PHP IDE比較post 程序 scrip lighting pin 頁面 del tom 代碼 更多資源 & 原文鏈接:https://zhaoshuquan.com/posts/13 2017和2018年最佳PHP編輯器列表 Codelobster -Developed by 【搞定Java併發程式設計】第13篇:重排序上一篇:happens-before:https://blog.csdn.net/pcwl1206/article/details/84929752 目 錄: 1、資料依賴性 2、as-if-serial語義 3、程式順序規則 4、重排序對多執行緒的影響 5、指令 【軟體開發底層知識修煉】九 連結器-可重定位檔案與可執行檔案上幾篇文章學習了Binutils輔助工具裡面的幾個實用的工具,那些工具對於以後的學習都是非常有幫助的,尤其是C語、C++語言的學習以及除錯是非常有幫助的。點選連結檢視上一篇文章:點選檢視 本篇文章開始一個新的知識的學習,連結器的學習。學習完連結器的系列文章,我們將全面瞭解連結器的工作 【6月24~25日】2017中國雙態運維大會·烏鎮峰會即將召開運維派作為本次峰會的社群媒體合作伙伴,積極推進雙態運維聯盟的活動和業內交流。 雙態運維聯盟(BOA)介紹: 雙態運維聯盟(英文:Bimodal operation alliance,簡稱BOA)由12家雲端計算、IT運維領域的標杆企業聯合發起,旨在雙態IT環境下,為企業IT運維升 【搞定Java併發程式設計】第19篇:重入鎖 --- ReentrantLock 詳解AQS系列文章: 1、佇列同步器AQS原始碼分析之概要分析 2、佇列同步器AQS原始碼分析之獨佔模式 3、佇列同步器AQS原始碼分析之共享模式 4、佇列同步器AQS原始碼分析之Condition介面、等待佇列 先推薦兩篇好文章: 1、深入剖析基於併 【Python爬蟲實戰】獲取2018年重慶智博會參會企業名單,用於市場洞察【背景】 做市場洞察,經常需要分析某個行業的Top客戶,通常會通過某種活動或某種機構獲取名單。網站上也能收集到,但是手工收集比較麻煩。 下面通過Python網路爬蟲 獲取2018年重慶智博會參會企業的名單來體驗,如何批量獲取目標網頁的名單。 【操作步驟】 1、分析網頁 【python資料探勘課程】二十.KNN最近鄰分類演算法分析詳解及平衡秤TXT資料集讀取這是《Python資料探勘課程》系列文章,也是我這學期上課的部分內容及書籍的一個案例。本文主要講述KNN最近鄰分類演算法、簡單實現分析平衡秤資料集,希望這篇文章對大家有所幫助,同時提供些思路。內容包括: 2017~2018年活動行總結ado 資深 cti 集成 nds ice 安裝 提升 term 講師:韓梅講師介紹:韓梅老師有著十幾年的IT方面從業經驗。曾在微軟公司的新一代商業軟件平臺發布會,MicrosoftLync媒體見面會、微軟明智IT等眾多微軟大型活動擔任主演講者和技術指導。連續多年受邀參與M 聚焦落地應用與商業前景,2018年國內人臉識別應用TOP10排行榜https://www.toutiao.com/i6639221504036831748/ 2018-12-27 12:13:00 《AI先鋒週刊》是—家關注人工智慧學術研究、產業生態鏈、技術落地、邊緣應用等維度的先鋒電子新媒體。歡迎廣大熱愛AI的同道中人閱讀、評論、轉發、 最新發布!2018年區塊鏈數字貨幣專案最賺錢方法排行榜2018年大年初二,聚集了帥初、沈波、蔡文勝、徐小平、薛蠻子、陳偉星、朱嘯虎、易理華、慕巖等商界大佬的微信群“三點鐘無眠區塊鏈”中對於區塊鏈的探討和爭議,讓區塊鏈成為與春晚相媲美的熱點事件。區塊鏈極有可能成為2018年甚至接下來幾年最為炙手可熱的投資專案。那麼,我們作為普通投 【王曉剛】深度學習在圖像識別中的研究進展與展望ast eric all orm 反向 nic 分類函數 大網 goole 深度學習是近十年來人工智能領域取得的最重要的突破之中的一個。它在語音識別、自然語言處理、計算機視覺、圖像與視頻分析、多媒體等諸多領域都取得了巨大成功。本文將重點介紹深度學習在物體 【中文字幕】2017春季CS231n 斯坦福深度視覺識別課,李飛飛【中文字幕】2017春季CS231n 斯坦福深度視覺識別課 開課時間:2017年11月10日 開課時長:講座共有16個lecture,每週五更新1個lecture,每個lecture時長 60 min左右 連結:http://www.mooc.ai/course/ 【新書推薦】【2018.06】機載雷達訊號處理最新進展(第一版)【2018.06】機載雷達訊號處理最新進展(第一版)Recent Advancements in Airborne Radar Signal Processing: Emerging Research and Opportunities (Advances in Mechatronics a 行人再識別的挑戰和最新進展2018 年 9 月 18 日,2018 世界人工智慧大會·視覺智慧 瞳鑑未來七牛雲專場分論壇在上海國際會議中心 5 樓歐洲廳舉行。華為諾亞方舟實驗室計算視覺首席科學家、美國德克薩斯大學聖安東尼奧分校計算機系教授田奇,在會上為大家帶來了題為《行人再識別的挑戰和最新進展》的分享。 以下內容根據現場 【視訊監控中的行人再識別技術綜述】轉自:警察技術雜誌作者:尹萍 趙亞麗摘 要:針對視訊監控中的行人再識別問題,介紹了行人再識別 【備忘】2017年最新北風網零基礎學習機器學習(Python語言、演算法、Numpy庫、MatplotLib)視訊教程)機器學習作為人工智慧的一部分,已經應用於很多領域,遠超過人們的想象,垃圾郵件的過濾,線上廣告的推薦系統,還有目前發展飛快的物體識別、人臉識別和語音識別的發展,都是機器學習的應用的成果。機器學習在改善商業決策、提高生產率、檢測疾病、預測天氣等方面都有非常大的應用前景。1. 課 【備忘】2017年最新JAVA-ACE-架構師系列視訊課程- RocketMQ(上下集)下載JAVA-ACE-架構師系列視訊課程- RocketMQ(上)課程目標培養高階Java工程師成為架構師的高階課程,學習主流網際網路應用技術,學習應用架構設計。課程目錄1001_RocketMQ_簡介[免費觀看]17:132002_RocketMQ_核心概念詳解[免費觀看]3 【MLA首日報告摘要】周志華、馬毅等教授分享機器學習最新進展來源:專知 概要:第15屆中國機器學習及其應用研討會今天11月4日在北京交通大學舉行,海內外從事機器學習及相關領域研究的10餘位專家與會進行學術交流。 第15屆中國機器學習及其應用研討會今天11月4日在北京交通大學舉行,海內外從事機器學習及相關領域研究的10餘位專家與會進行學術交流,包括特邀報告、頂會 |