ReadingTime-十一月

这个月主要是要学习pytorch和一些CV baseline的复现，搞搞毕设雏形🆙
以后还是把笔记写纸上要么写博客，不放本地了😨

---

0x1105 CAViT：用于视频对象重识别的上下文对齐视觉Transformer, ECCV2022

中科院 | 京东 | 西湖大学
Code

• reID关键是如何充分利用时空相互作用来提取更准确的表示，但是目前:

  • 3D解决方案对时空相互作用进行建模经常受到相邻帧未对准的困扰
  • 2D解决方案针对未对准采取分而治之策略，但不能利用时空相互作用

• 上下文对准视觉Transformer，CAViT，用于与2D solution进行时空交互:

  • MPE，多形状补丁嵌入.保留空间语义信息，防止由于姿势、遮挡或检测错误而导致的未对齐;
  • TSA，时间转移注意力.实现上下文空间语义特征对齐,代替transformer的self-attention机制;
  • RPE，残差位置嵌入，来指导TSA在连续帧之间聚焦于时间显著性信息.

• 在LSVID实现89.3%rank1的性能，在PRID2011实现 了95.7%rank1的性能

  • 在视频行人重识别的数据集上证明了CAViT的优越性,
  • 对视频车辆重识别有效.

0x1106 GoogLeNet-V2 | Batch Normalization, 2015

背景

ICS现象：输入数据分布变化，导致的模型训练困难，对深度神经网络影响极大。

之前的措施：
白化（whitening）：一种数据预处理措施，去除输入数据的冗余信息，使得数据特征之间相关性较低，所有特征具有相同方差。
通常将数据变为0均值，1标准差的形式实现白化。

BN层的优点

1. 可以用更大学习率，加速模型收敛
2. 不用精心设计权值初始化
3. 一定情况下不用dropout或较小的dropout
4. 不用L2或者较小的权重衰减（weight decay）
5. 不用LRN（local response normalization）

GoogLeNet-V2没有广泛应用，只是对于GoogLeNet_V1作出一点改进:

• 激活函数之前加入BN
• 5x5卷积替换为2个3x3卷积堆叠（借鉴VGG）
• 第一个Inception模块增加一个Inception结构
• 增多5x5卷积核
• 尺寸变化采用步长为2的卷积
• 增加9层（10-1），深度达到31（22+9）层

实验结果

1. 在MNIST显示了带有BN层数据分布稳定，模型收敛更快；
2. 在ILSRC上显示GoogLeNet-V2更快、精度更高；
3. 模型集成后，效果超越人类精度。

0x1127 Activation Function

没有get的知识应当反复阅读🐒
👉深度学习必知10大激活函数 +《Neural Networks and Deep Learning》.Michael Nielsen

什么是激活函数?
百度百科定义为在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输入端。
激活函数的使用，给神经元引入了非线性因素，使得神经网络可以任意逼近任何函数，即“神经网络可以计算任何函数”。

下面介绍深度学习中几种常用的激活函数：

Sigmoid

定义：
$$\sigma (z)=\frac{1}{1+e^{-z}}$$

sigmoid神经元和感知机（perceptron）之间一个很大的区别就是sigmoid神经元不仅仅输出0或1，而是能够输出0到1之间的任何实数。

因此这个‘S’曲线适用将预测概率作为输出的模型；
单调可微，并且其输出值在z=0附近变化很陡；
但也存在缺点，即容易梯度消失。
可以看看其导数图像：

该导数在0.25时达到峰值，
如果使用标准方法来初始化神经网络中的权重（均值为0，标准差为1的高斯分布），因此所有权重通常会满足绝对值小于1，那么再乘上该导（梯度计算）就会满足小于0.25，计算完全部乘积之后结果肯定呈指数级下降，即容易梯度消失。
因此改进👇

Tanh/双曲正切激活函数

$$tanh(x)=2\ast sigmoid(2x)-1$$

tanh函数更加陡峭，而且以0为中心，权重更新效率更高。

sigmoid和tanh一般用于二分类任务，tanh常用在隐藏层，sigmoid常用在输出层。

ReLU

$$f(x)=max(0,x)$$

因此主要优点就是他不会同时激活所有神经元，用ReLU得到的SGD收敛速度会比前面两个函数快很多。

但在训练过程中很脆弱，大部分神经元会在训练中死亡；梯度值为零在反向传播过程中，一些神经元的权重和偏差没得更新，产生再也不会被激活的神经元。

Softmax

softmax函数通常被描述为多个sigmoid的组合，所以常用于多类分类问题。
softmax将输入向量归一化映射到一个类别概率分布，所以常常被用在网络中的最后一层，用来进行分类和归一化。

softmax函数的分母结合了原始输出值的所有因子，这意味着softmax获得的各种概率彼此相关；
不同于max函数的是，softmax确保较小的值有较小的概率，而不是仅输出最大值。

主要缺点：
1、在零点不可微
2、负输入梯度为零，这意味对于该区域的激活，权重不会在反向传播期间更新，因此也会产生不再被激活的神经元（死亡）

0x1130 遮挡行人重识别 | FPC

遮挡行人重识别的动态特征剪裁与整合, 华中科技大学
Code
提出一种稀疏编码器，利用注意力图上的相关属性，有效地处理遮挡和背景。

问题

目前对于Occluded Person Re-Identification存在两个挑战：
１、被遮挡的特征也被错误地加入推理中；
２、基本目标特征的部分或完全缺少。

方法

特征剪枝、匹配和巩固框架（FPC），可以自适应消除来自遮挡物和背景的干扰，并巩固关联特征。
首先，将query图像发送到一个具有token稀疏化的Transformers编码器中，以去除干扰token（通常是与遮挡物和背景相关），同时保留注意力token；

然后，根据与query图像的相似度对图库中的完整token进行排序。通过与训练一个标准的视觉Transformer来获得包含token和patch token的gallery memory。
匹配的相似性度量定义为图像级别的余弦距离和patch级别的EMD的线性组合，用于弥合gallery memory中稀疏查询特征和全局特征之间的domain gap；

最后，我们为每个query选择k个最近邻。通过将query和所选邻居的平均token和相应的patch token级联来构造多视图特征，将其发送到Transformer编码器进行特征合并。
Overview👇

效果

[25] Ramprasaath R Selvaraju, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, and Dhruv Batra. Grad-cam: Visual explanations from deep networks via gradient-based localization, ICCV2017.