针对目前行人重识别技术的缺点，提出一种基于Siamese网络的行人重识别方法.首先使用Dropout算法对卷积神经网络进行改良，降低发生过拟合问题的概率；而后构造一个Siamese网络，将CNN （Convolution Neural Network）中特征提取和检验相融合，提高图像识别的效率和准确率；最后利用度量学习算法中的马氏距离作为检索图像匹配相似度的评价指标.实验结果表明：针对Market-1501数据集，该方法可以有效提高采用卷积神经网络的行人重识别方法识别效率和准确率.

Pytorch上的SiamFC 这是pytorch版本的siamfc。 教程笔记本已添加。 我从黄的git借来了一些代码： : ，非常感谢。 先决条件 强烈建议您需要Anaconda Env。 和一个好的火炬。 我使用自定义的训练方法来重复结果。 讲解 基准 参考 如果您认为这项工作有用，请考虑引用 ↓[原始方法]↓ @inproceedings{bertinetto2016fully, title={Fully-Convolutional Siamese Networks for Object Tracking}, author={Bertinetto, Luca and Valmadre, Jack and Henriques, Jo{\~a}o F and Vedaldi, Andrea and Torr, Philip H S}, booktitle={

系统描述了自监督学习的来源与发展（偏向于对比学习在CV的应用），比如SimCLR, MoCo，BYOL, SimSiam等

Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习

对比学习 ——simsiam 代码解析。.doc

SIAM全文电子期刊数据库使用指南

siamfc目标追踪算法训练模型，网络为alexnet，训练轮数为49轮。Fully-Convolutional Siamese Networks for Object Tracking ECCV2016

基于全卷积Fully-Convolutional-Siamese-Networks的目标跟踪仿真+word版说明文档 版本组合：Win7+Matlab R2015b+CUDA7.5+vs2013 文档中提供了上述运行环境的配置方法 注意事项（仿真图预览可参考博主博客里面"同名文章内容"。）

社交网络搜索算法(SNS)-Matlab实现 该算法模仿人们在进行社交时的真实行为，对真实行为进行建模，然后通过行为优化寻优操作，并模仿用户如何收到影响并且激励他们的新观点。 如果没有积分或者打不开的朋友可以联系邮箱：1454196320@qq.com

假新闻挑战 这是NLP课程的最终项目。 我们的工作包括以下几个部分： 数据预处理 常规机器学习方法 Seq2seq注意模型 TextCNN和暹罗网络 其他（例如比赛中的相关工作，未来的工作） 1.数据预处理 我们提供了几种数据预处理方法：BoW（单词袋），TF-IDF，word2vec，doc2vec。 每个py文件都会生成x_1（文档表示形式）x_2（标题表示形式）和y（标签）。 这些数据可以作为间谍数据输出，可以在模型中使用。 2.常规机器学习 我们提供py文件以通过常规机器学习（例如SVM，随机森林）对实例进行分类，代码在sklearn上实现。 环境要求：sklearn numpy 3. Seq2seq注意模型 这些代码通常基于一个带有预训练模型的基于注意力的序列到序列模型（ ）。 要使用代码生成文本摘要。 运行：python3 run_summarization.py -