【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
Method	Time	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

Method	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、頂會搜尋基礎教學 Mysql入門 Sql入門 Android入門 Docker入門 Go語言入門 Ruby程式入門 Python入門 Python進階 Django入門 Python爬蟲入門最近訪問首頁前端設計程式設計免費資源實用技巧資料庫資訊字典 Copyright © 2002-2020 程式人生 796T.COM All rights reserved.

【行人重識別最新進展】2017-2018年行人重識別演算法精度統計

相關推薦