Video-based Re-Identification

This repository provides the Matlab code for Jointly Attentive Spatial-Temporal Pooling Networks for video-based person re-identification as presented in the paper 'Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification' (ICCV 2017). If you use this code, please cite the following paper: @inproceedings{shuangjiejointly, title={Jointly Attentive Spatial-Temporal Pooling Networks for Video-based Person Re-Identification}, author={Shuangjie Xu, Yu Cheng, Kang Gu, Yang, Shiyu Chang and Pan Zhou}, booktitle={ICCV}, year={2017} } Dependencies: The following libraries are required: nn, nnx, optim, cunn, cutorch, image, rnn, and inn. Ensure that you have Nvidia GPU support with CUDA enabled. Data Preparation: Download and extract the dataset, then navigate to the data/ directory. The dataset is stored under data/iLIDS-VID. Modify and run the script data/computeOpticalFlow.m in Matlab to generate the optical flow features.

video game sales 数据集来自 Kaggle，提供了丰富的 video game sales 信息，适合进行市场分析与研究。

Matlab Video and Image Processing Blockset的使用手册提供了详尽的操作说明和技术指导。

功能概述：MATLAB的辨识工具箱提供了进行系统模型辨识的有力工具，其主要功能包括： （1）各种模型类的建立和转换函数 （2）非参数模型的辨识 （3）参数模型的辨识 （4）递推参数估计 （5）模型验证工具 （6）集成多种功能的图形用户界面。

在子空间辨识中，来自线性系统的子空间辨识这本书，提供了简单好用的MATLAB程序。

Mostafa Amin-Naji的密码学课程中的仿真作业展示了如何使用字母频率的Vigenère密码进行加密。Matlab代码展示了如何通过这种方法保护密文的安全性。密钥长度为7个字符，字母表包括所有26个字母。

本课程设计的最终结果包含模型、数据集、代码和GUI。建议使用MATLAB 2021a版本，解压后将所有文件放在同一目录下以便直接运行。博主的相关博客提供了更多信息，欢迎大家讨论！ 此压缩包虽然通过了考验，但仍有不少不足之处，下载和使用时请谨慎。内容为初次接触此类课题的小伙伴们提供解决问题的思路。在没有更好的解决方案之前，建议可以使用此资源，但希望能激发大家的创造性思维。 此外，课程设计中对“未知”类别标签的设置缺失，用户名和密码的安全性不足，代码冗余高，GUI设计也较为简单。希望大家勇于创新，切勿将此资源作为最终成果，这样对自己不负责。如果没有思路，至少要理解代码，深入学习VGG-19网络模型。

MATLAB开发-LMS算法演示，利用LMS算法进行系统辨识。该示例展示了如何使用LMS算法对给定的系统进行建模，并通过最小均方误差(MSE)优化来识别系统特性。整个过程包括输入信号的采集、误差计算、权重更新以及迭代优化，帮助用户理解和实现基本的自适应滤波技术。通过该MATLAB演示，用户能够掌握如何应用LMS算法进行信号处理和系统辨识。

在这个模拟中，我为非线性系统的零阶近似实现了RBF-NN。模拟包括蒙特卡罗模拟设置和RBF NN代码。对于系统估计，使用具有固定中心和扩展的高斯核。而RBF-NN的权重和偏差使用基于梯度下降的自适应学习算法进行优化。引文：Khan, S., Naseem, I., Togneri, R.等。电路系统信号处理(2017) 36: 1639. doi:10.1007/s00034-016-0375-7 https://link.springer.com/article/10.1007/s00034-016-0375-7

视频图MATLAB代码skinObjectness在凌乱的USAR环境中用于数据驱动的皮肤检测。该代码提供了在杂乱环境中检测皮肤区域的实现。使用以下技巧来解析代码：更新Yinitialize.m或直接将目录路径放入skinObjectness.m中以开始。该代码用于生成皮肤概率图和图像的ROI窗口，并提供对视频帧的算法的进一步实现，用户需要进行一些调整。通过更新'directory'变量来解析skinObjectness.m中图像帧的目录，使用objectnessTracking.m查找视频帧中的皮肤对象。该代码使用MATLAB中的一些内置函数，并且在2013年之后发布的版本中可以正常工作。