行人重识别实战项目解析

一、行人重识别原理及其应用 - 1.行人重识别要解决的问题 - 2.挑战与困难分析 - 3.评估标准：rank1和map值 - 4.triplet损失计算实例 - 5.Hard-Negative方法应用 二、基于注意力机制的Reld模型论文解读 - 1.论文整体思想及注意力机制的作用解读 - 2.空间权重值计算流程分析 - 3.融合空间注意力所需特征 - 4.基于特征图的注意力计算 三、基于Attention的行人重识别项目实战 - 1.项目环境与数据集配置 - 2.参数配置与整体架构分析 - 3.进入debug模式解读网络计算流程 - 4.获得空间位置点之间的关系 - 5.组合关系特征图 - 6.计算得到位置权重值 - 7.基于特征图的权重计算 - 8.损失函数计算实例解读 - 9.训练与测试模块演示 四、经典会议算法精讲（特征融合） - 1.论文整体框架概述 - 2.局部特征与全局关系计算方法 - 3.特征分组方法 - 4.GCP模块特征融合方法 - 5.oneVsReset方法实例 - 6.损失函数应用位置 五、项目实战——基于行人局部特征融合的再识别实战 - 1.项目配置与数据集介绍 - 2.数据源构建方法分析 - 3.dataloader加载顺序解读 - 4.debug模式解读 - 5.网络计算整体流程演示 - 6.特征序列构建 - 7.GCP全局特征提取 - 8.局部特征提取实例 - 9.特征组合汇总 - 10.得到所有分组特征结果 - 11.损失函数与训练过程演示 - 12.测试与验证模块 六、旷视研究院最新算法解读（基于图模型） - 1.关键点位置特征构建 - 2.图卷积与匹配的作用 - 3.关键点局部特征提取 - 4.局部特征关系整合 - 5.图卷积模块实现方法 - 6.图匹配在行人重识别中的作用 - 7.整体算法框架分析 七、基于拓扑图的行人重识别项目实战 - 1.数据集介绍与环境配置概述 - 2.局部特征准备方法 - 3.得到一阶段热度图结果 - 4.得到全局与局部特征 - 5.初始化图卷积模型 - 6.mask矩阵的作用 - 7.邻接矩阵学习与更新 - 8.基于拓扑结构组合关键点特征 - 9.图匹配模块计算流程 - 10.整体项目总结 课后测试