资源介绍：

行人重识别课程主要包括三大核心模块：1.2020经典算法(论文)详细解读；2.项目源码分析；3.实战应用；通俗讲解CVPR等会议最新行人重识别方向算法及其实现，基于PyTorch框架展开实战，逐行讲解全部项目源码及其应用实例。整体风格通俗易懂，用最接地气的方式带领同学们掌握最新行人重识别算法并进行项目实战

课程目录

• 资料
• 第八章：算法补充-卷积神经网络原理与参数解读
• 神经网络新
• 第二章：基于注意力机制的ReId模型论文解读
• Relation-Aware Global Attention
• 第九章：基础补充-PyTorch框架基本处理操作
• 第一章：PyTorch框架基本处理操作
• 第六章：旷视研究院最新算法解读（基于图模型）
• Wang_High-Order_Information_Matters_Learning_Relation_and_Topology_for_Occluded_Person_CVPR_2020_paper
• 第七章：基于拓扑图的行人重识别项目实战
• 基于图模型的ReID(旷视)
• 第十章：基础补充-PyTorch图像识别实例
• 第四章：图像识别核心模块实战解读
• 第四章：经典会议算法精讲（特征融合）
• Relation Network for Person Re-identification
• 第五章：项目实战-基于行人局部特征融合的再识别实战
• Relation Network for Person Re-identification
• 第一章：行人重识别原理及其应用
• 行人重识别
• 01.课程简介
• 02.行人重识别要解决的问题
• 03.挑战与困难分析
• 04.评估标准rank1指标
• 05.map值计算方法
• 06.triplet损失计算实例
• 07.Hard-Negative方法应用
• 09.论文整体思想及注意力机制的作用解读
• 10.空间权重值计算流程分析
• 11.融合空间注意力所需特征
• 12.基于特征图的注意力计算
• 13.项目环境与数据集配置
• 14.参数配置与整体架构分析
• 15.进入debug模式解读网络计算流程
• 16.获得空间位置点之间的关系
• 17.组合关系特征图
• 18.计算得到位置权重值
• 19.基于特征图的权重计算
• 20.损失函数计算实例解读
• 21.训练与测试模块演示
• 22.论文整体框架概述
• 23.局部特征与全局关系计算方法
• 24.特征分组方法
• 25.GCP模块特征融合方法
• 26.oneVsReset方法实例
• 27.损失函数应用位置
• 28.项目配置与数据集介绍
• 29.数据源构建方法分析
• 30.dataloader加载顺序解读
• 31.debug模式解读
• 32.网络计算整体流程演示
• 33.特征序列构建
• 34.GCP全局特征提取
• 35.局部特征提取实例
• 36.特征组合汇总
• 37.得到所有分组特征结果
• 38.损失函数与训练过程演示
• 39.测试与验证模块
• 40.关键点位置特征构建
• 41.图卷积与匹配的作用
• 42.局部特征热度图计算
• 43.基于图卷积构建人体拓扑关系
• 44.图卷积模块实现方法
• 45.图匹配在行人重识别中的作用
• 46.整体算法框架分析
• 47.数据集与环境配置概述
• 48.局部特征准备方法
• 49.得到一阶段热度图结果
• 50.阶段监督训练
• 51.初始化图卷积模型
• 52.mask矩阵的作用
• 53.邻接矩阵学习与更新
• 54.基于拓扑结构组合关键点特征
• 55.图匹配模块计算流程
• 56.整体项目总结
• 57.卷积神经网络应用领域
• 58.卷积的作用
• 59.卷积特征值计算方法
• 60.得到特征图表示
• 61.步长与卷积核大小对结果的影响
• 62.边缘填充方法
• 63.特征图尺寸计算与参数共享
• 64.池化层的作用
• 65.整体网络架构
• 66.VGG网络架构
• 67.残差网络Resnet
• 68.感受野的作用
• 69.PyTorch框架发展趋势简介
• 70.框架安装方法（CPU与GPU版本）
• 71.PyTorch基本操作简介
• 72.自动求导机制
• 73.线性回归DEMO-数据与参数配置
• 74.线性回归DEMO-训练回归模型
• 75.常见tensor格式
• 76.Hub模块简介
• 77.卷积网络参数定义
• 78.网络流程解读
• 79.vision模块功能解读
• 80.分类任务数据集定义与配置
• 81.图像增强的作用
• 82.数据预处理与数据增强模块
• 83.Batch数据制作
• 84.迁移学习的目标
• 85.迁移学习策略
• 86.加载训练好的网络模型
• 87.优化器模块配置
• 88.实现训练模块
• 89.训练结果与模型保存
• 90.加载模型对测试数据进行预测
• 91.额外补充-Resnet论文解读
• 92.额外补充-Resnet网络架构解读