学习迁移

训练源码： 源码仓库：https://github.com/pytorch/tutorials 迁移学习测试代码：tutorials/beginner_source/transfer_learning_tutorial.py 准备工作： 下载数数据 集：https://download.pytorch.org/tutorial/hymenoptera_data.zip --> tutorials/beginner_source/data/ hymenoptera_data 下载与训练模型：https://download.pytorch.org/models/resnet18-5c106cde.pth --> ~/.torch/models/resnet18-5c106cde.pth 来源： https://www.cnblogs.com/xbit/p/11324739.html

2019-11-24 17:45:10 作者 | Ziling Huang、Zheng Wang、Wei Hu、Chia-Wen Lin、Shin’ichi Satoh 译者 | 刘畅 编辑 | Jane 出品 | AI科技大本营（ ID： rgznai100） 【导读】目前，大多数行人重识别（ReID）方法主要是从收集的单个人图像数据库中检索感兴趣的人。在跨摄像头的监控应用中，除了单人ReID任务外，匹配一组行人（多个人）也起着重要的作用。这种组重识别（GReID）的任务非常具有挑战性，因为它不仅面临着单个人外观的变化，还有组的布局和成员身份变化也会带来更多困难。为了获得组图像的鲁棒表示，本文设计了一种域迁移图神经网络（DoT-GNN）方法。 DoT-GNN方法主要包括三个方面： （1）类型迁移（Transferred Style）：由于缺少训练样本，我们将标记的ReID数据集迁移为G-ReID数据集样式，并将迁移的样本提供给深度学习模型。利用深度学习模型的优势，本文得到了可区分的个体特征模型。 （2）图生成（Graph Generation）：本文将每个组视为一个图，其中每个节点表示单个行人的特征，每个边沿表示几个个体之间的关系。本文提出了一种图生成策略来生成足够的图样本。 （3）图神经网络：本文利用生成的图样本来一个训练GNN，以获取针对大型图变化具有鲁棒性的图特征。DoT

为了追求更好的写作体验，更好的展示博客内容，更好的备份博客以免丢失，考虑到外部平台不受控、无备份、文章审核一直中等等等等各种因素，即日起本博客将迁移至 个人新站点：https://gwl.xyz/ ， 本站点 不再维护。 本站点 部分文章会陆续迁移至 新站点 ，为了备份顺便温故，考虑到在博客写作时所使用的各种软件版本、代码方法版本迭代问题等，故 本站点 文章迁移到 新站点 后文章日期保留不作变更。 内容主要为每日学习工作记录，以及边边角角的教程等，仅为了个人日后查找方便，简陋之处，请多谅解，佛性随缘更新，温故而知新。 新站点地址： https://gwl.xyz/ 当然，也可以访问这个域名： https://mouos.github.io 原博客地址： https://my.oschina.net/gwlCode 感谢新站点博客主题贡献者 FromEndWorld 来源： oschina 链接： https://my.oschina.net/gwlCode/blog/3132056