CN106778527B - 一种基于三重损失的改进的神经网络行人再识别方法 - Google Patents
一种基于三重损失的改进的神经网络行人再识别方法 Download PDFInfo
- Publication number
- CN106778527B CN106778527B CN201611061867.3A CN201611061867A CN106778527B CN 106778527 B CN106778527 B CN 106778527B CN 201611061867 A CN201611061867 A CN 201611061867A CN 106778527 B CN106778527 B CN 106778527B
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- triple
- input
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三重损失的改进的神经网络行人再识别方法,包括以下步骤:构建样本数据库,并基于样本数据库建立正负样本库,随机选取两个正样本和一个负样本组成三元组;搭建基于三重损失的神经网络并训练,神经网络由三个并行的卷积神经网络连接一个三重损失层构成;将待测图片以及扩充后的样本数据库中的每一张样本图片依次作为一组输入投入到训练好的神经网络中,神经网络另一输入为零或无输入;再利用欧式距离计算出神经网络输出的两张输入图片的特征向量的距离,并查询出升序排列出前20位的欧式距离,再进行简单的人工筛选即可得到最终识别结果。本发明的有益效果是:本发明的识别方法能够适用于有较大变化的图片场景,能够保证鲁棒性,具有较高的识别准确率。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种基于三重损失的改进的神经网络行人再识别方法。
背景技术
随着科技的进步,计算机等智能设备在人们的日常生活中应用越来越广泛,计算机在处理重复的,数据密集的任务时,比人类更有效,更准确。自然地人们希望计算机能够像人类一样处理一些更智能的问题。在计算机新的应用领域中计算机视觉是一个重要的部分,由计算机代替或辅助人类完成对目标的检测与跟踪是计算机视觉最核心也是最广泛的应用,从日常生活中用到的指纹或人脸解锁,到汽车的自动驾驶,机器人控制等都与计算机视觉技术息息相关。人类是社会生活的主体,对行人的识别理所当然的也是计算机视觉应用中最重要的任务之一。但由于人体姿态多变,外形不固定且随着衣着的变化表现的颜色特征也不同,目前仍然是一个极富挑战的课题,但因其广泛的应用前景,虽然行人检测任务面临着众多困难,仍然吸引了大量研究者的目光。
目前的行人在识别方法多是使用softmax回归来使卷积神经网络收敛,生成模型进行人分类方法,但当图片场景有较大变化时不能够保证鲁棒性,无法适用于多个场景(即背景固定的图,可移植性不好)。
发明内容
本发明提供了一种在测试样本大、角度变化大、光照复杂时仍能够具有高精确度的基于三重损失的改进的神经网络行人再识别方法。
为了实现上述目的,本发明提供了一种基于三重损失的改进的神经网络行人再识别方法,具体包括以下步骤:
步骤S1:构建样本数据库,并对样本数据库中的每一张样本图片进行数量扩充,由原来的一张样本图片扩充到八张样本图片组成一个小数据集;具体地,一张样本图片分别进行左上、右上、左下、右下四个方向的平移,平移的尺度为:y=height×(±0.5),x=width×(±0.5);沿以样本图片的中心分别按逆时针和顺时针分别旋转5°;对样本图片进行镜像,通过上述方式,一张样本图片扩充为八张样本图片;其中,样本数据库可以基于已公开的CUHK01库和VIPER库建立,对上述数据库中的图片进行扩充得到本发明所需的样本数据库;或,样本数据库也可以由小区高清摄像头或其他高清摄像头采集的图片,并采用Opencv人脸检测对采集的所有图片进行行人检测,去掉无行人的噪音,保留的照片进行数量扩充即为本发明所需的样本数据库;
步骤S2:建立正负样本库;随机选取属于同一小数据集的两张样本图片左右拼接作为正样本,随机选取属于不同小数据集的两张样本图片左右拼接作为负样本;正样本数量为15万-35万之间,负样本数量大于等于正样本数量的1/3;优选地,正样本数量为30万,负样本数量为15万;进一步地,从正负样本库中随机选一个正样本或负样本,定义其名称为Anchor并即为x_a,然后再随机选取两个与Anchor属于同一类的样本和属于不同类的样本,分别定义其名称为Positive并记为x_p和Negative并记为x_n,由此构成一个(Anchor,Positive,Negative)三元组;
步骤S3:制作正负样本库的样本标签,将正样本标记为1,负样本标记为0,通过caffe框架提供的工具将样本格式转换为lmdb格式并生成对应的均值文件;具体地,首先遍历样本文件夹下所有图片,将其正样本文件夹下的所有图片名读出来写到txt文件并标记为1,将其负样本文件夹下的所有图片名读出来写到txt文件夹并标记为0;
步骤S4:搭建基于三重损失的神经网络,所述神经网络由三个并行的卷积神经网络连接一个三重损失层构成;所述神经网络包括三个输入;
所述卷积神经网络包括五个并行的通道,其中一个通道用于提取全局特征,具体结构为:一个卷积层C1接池化层P1接卷积层C2接池化层P2接全连接层;另外四个通道用于提取局部特征,具体结构均为:一个卷积层C1接卷积层C2接全连接层;其中五个通道中的全连接层为一个,即五个通道的特征向量通过最后的全连接层,生成输入图片的最终特征向量。其中,在输入神经网络前,先将输入图片按照图片高度等分为四个局部图片,一个完整图片作为神经网络全局特征提取通道的输入,四个局部图片作为神经网络四个局部特征提取通道的输入;
所述三重损失层采用三重损失函数用来优化神经网络参数。
步骤S5:所述步骤S2中构成的同一个三元组的三个元素作为神经网络的三个输入,对神经网络进行训练;在投入神经网络之前,将三元组的三个元素图片转换为LMDB格式,并以100个三元组作为一个批次进行训练;
三重损失针对三元组中的每个元素或样本,训练一个参数共享或者不共享的网络,得到三个元素对应的特征表达,分别记为三重损失的目的就是通过网络训练,使得x_a和x_p特征表达之间的距离尽可能小,而x_a和x_n的特征表达之间的距离尽可能大,并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔α,优选地设定α值为1,表达式如下:
对应的所述三重损失函数如下:
步骤S6:将待测图片以及扩充后的样本数据库中的每张样本图片输入到训练好的神经网络中,神经网络另一个输入(即训练时负样本的输入)为零或无输入;再利用欧式距离计算神经网络输出的两张输入图片的特征向量的距离,并查询出欧式距离升序排列至少前15或前20位对应的样本图片(优选地,查询出欧式距离升序排列前20位对应的样本图片),排序越靠前相似度最高,在20张样本图片中进行人工筛选即可得出最后识别结果。其中,待测图片由人脸库随机筛选得出;或,待测图片由小区高清摄像头或其他高清摄像头采集的行人图片。
本发明的有益效果是:本发明的识别方法能够适用于有较大变化的图片场景,能够保证鲁棒性,具有较高的识别准确率;其中,本发明中三重损失的作用是将相同样本所生成的特征向量的距离拉近,不同样本所生成的特征向量的距离推开,这样能够很好的将相同样本与不同样本区分开。
具体实施方式
以下采用实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。
本发明提供了一种基于三重损失的改进的神经网络行人再识别方法,具体包括以下步骤:
步骤S1:构建样本数据库,并对样本数据库中的每一张样本图片进行数量扩充,由原来的一张样本图片扩充到八张样本图片组成一个小数据集;具体地,一张样本图片分别进行左上、右上、左下、右下四个方向的平移,平移的尺度为:y=height×(±0.5),x=width×(±0.5);沿以样本图片的中心分别按逆时针和顺时针分别旋转5°;对样本图片进行镜像,通过上述方式,一张样本图片扩充为八张样本图片;其中,样本数据库可以基于已公开的CUHK01库和VIPER库建立,对上述数据库中的图片进行扩充得到本发明所需的样本数据库;或,样本数据库也可以由小区高清摄像头或其他高清摄像头采集的图片,并采用Opencv行人检测对采集的所有图片进行行人检测,去掉无行人的噪音,保留的照片进行数量扩充即为本发明所需的样本数据库;
步骤S2:建立正负样本库;随机选取属于同一小数据集的两张样本图片左右拼接作为正样本,随机选取属于不同小数据集的两张样本图片左右拼接作为负样本;正样本数量为15万-35万之间,负样本数量大于等于正样本数量的1/3;优选地,正样本数量为30万,负样本数量为15万;进一步地,从正负样本库中随机选一个正样本或负样本,定义其名称为Anchor并即为x_a,然后再随机选取两个与Anchor属于同一类的样本和属于不同类的样本,分别定义其名称为Positive并记为x_p和Negative并记为x_n,由此构成一个(Anchor,Positive,Negative)三元组;
步骤S3:制作正负样本库的样本标签,将正样本标记为1,负样本标记为0,通过caffe框架提供的工具将样本格式转换为lmdb格式并生成对应的均值文件;具体地,首先遍历样本文件夹下所有图片,将其正样本文件夹下的所有图片名读出来写到txt文件并标记为1,将其负样本文件夹下的所有图片名读出来写到txt文件夹并标记为0;
步骤S4:搭建基于三重损失的神经网络,所述神经网络由三个并行的卷积神经网络连接一个三重损失层构成;所述神经网络包括三个输入;
所述卷积神经网络包括五个并行的通道,其中一个通道用于提取全局特征,具体结构为:一个卷积层C1接池化层P1接卷积层C2接池化层P2接全连接层;另外四个通道用于提取局部特征,具体结构均为:一个卷积层C1接卷积层C2接全连接层;其中五个通道中的全连接层为一个,即五个通道的特征向量通过最后的全连接层,生成输入图片的最终特征向量。其中,在输入神经网络前,先将输入图片按照图片高度等分为四个局部图片,一个完整图片作为神经网络全局特征提取通道的输入,四个局部图片作为神经网络四个局部特征提取通道的输入;
所述三重损失层采用三重损失函数用来优化神经网络参数。
步骤S5:所述步骤S2中构成的同一个三元组的三个元素作为神经网络的三个输入,对神经网络进行训练;在投入神经网络之前,将三元组的三个元素图片转换为LMDB格式,并以100个三元组作为一个批次进行训练;
三重损失针对三元组中的每个元素或样本,训练一个参数共享或者不共享的网络,得到三个元素对应的特征表达,分别记为三重损失的目的就是通过网络训练,使得x_a和x_p特征表达之间的距离尽可能小,而x_a和x_n的特征表达之间的距离尽可能大,并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔α,优选地设定α值为1,表达式如下:
对应的所述三重损失函数如下:
步骤S6:将待测图片以及扩充后的样本数据库中的每张样本图片输入到神经网络中,神经网络另一个输入(即训练时负样本的输入)为零或无输入;再利用欧式距离计算神经网络输出的两张输入图片的特征向量的距离,并查询出欧式距离升序排列前20位对应的样本图片,排序越靠前相似度最高。其中,待测图片由行人库随机筛选得出;或,待测图片由小区高清摄像头或其他高清摄像头采集的行人图片。
采用本发明的识别方法,将待检图片与样本数据库(选用VIPER库)放进训练好的model中进行测试,并分别统计排序第1位、前5位、前10位、前15位和前20位的识别准确率,与传统识别方法进行对比结果如表1所示。
表1本发明与传统方法的识别精度对照表
Method | Top1 | Top5 | Top10 | Top15 | Top20 |
PCCA | 19.3 | 48.9 | 64.9 | 73.9 | 80.3 |
KISSME | 19.6 | 48.0 | 62.2 | 70.9 | 77.0 |
LMLF | 29.1 | 52.3 | 66.0 | 73.9 | 79.9 |
本发明 | 31.3 | 55.0 | 69.1 | 76.0 | 85.2 |
由表1的数据可知,在样本数量大、样本角度变化大、光线复杂的情况下,与传统方法相比,本发明的识别方法在行人识别准确率方面大大提高。本发明中三重损失的作用是将相同样本所生成的特征向量的距离拉近,不同样本所生成的特征向量的距离推开。这样能够很好的将相同样本与不同样本区分开。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于三重损失的改进的神经网络行人再识别方法,其特征在于,所述识别方法包括以下步骤:
步骤S1:构建样本数据库,并对样本数据库中的每一张样本图片通过平移、旋转和镜像方式进行数量扩充,由原来的一张样本图片扩充到八张样本图片组成一个小数据集;
步骤S2:建立正负样本库;随机选取属于同一小数据集的两张样本图片左右拼接作为正样本,随机选取属于不同小数据集的两张样本图片左右拼接作为负样本;随机选取两个正样本和一个负样本组成三元组,或随机选取两个负样本和一个正样本组成三元组;
步骤S3:制作正负样本库的样本标签,将正样本标记为1,负样本标记为0,通过caffe框架提供的工具将样本格式转换为lmdb格式并生成对应的均值文件;
步骤S4:搭建基于三重损失的神经网络,所述神经网络由三个并行的卷积神经网络连接一个三重损失层构成;所述神经网络设有三个输入,包括两个相同样本输入和一个不同样本输入;所述三重损失层采用三重损失函数;
步骤S5:所述步骤S2中构成的同一个三元组的三个元素作为神经网络的三个输入,对神经网络进行训练;
步骤S6:将待测图片以及扩充后的样本数据库中的每张样本图片输入到训练好的神经网络中,神经网络另一输入为零或无输入;再利用欧式距离计算出神经网络输出的两张输入图片的特征向量的距离,并查询出升序排列出至少前20位的欧式距离,排序越靠前的欧式距离对应的样本图片与待测图片的相似度越高;
其中,所述卷积神经网络包括五个并行的通道,其中一个通道用于提取全局特征,具体结构为:一个卷积层C1接池化层P1接卷积层C2接池化层P2接全连接层;另外四个通道用于提取局部特征,具体结构均为:一个卷积层C1接卷积层C2接全连接层;其中五个通道中的全连接层为一个,即五个通道的特征向量通过最后的全连接层,生成输入图片的最终特征向量;在输入卷积神经网络前,先将输入图片按照图片高度等分为四个局部图片,一个完整图片作为卷积神经网络全局特征提取通道的输入,四个局部图片作为卷积神经网络四个局部特征提取通道的输入。
2.根据权利要求1所述的基于三重损失的改进的神经网络行人再识别方法,其特征在于,所述步骤S1中样本图片数量扩充具体为:每一张样本图片分别进行左上、右上、左下、右下四个方向的平移,平移的尺度为:y=height×(±0.5),x=width×(±0.5);沿以样本图片的中心分别按逆时针和顺时针分别旋转5°;对样本图片进行镜像,通过上述方式,一张样本图片扩充为八张样本图片。
3.根据权利要求1或2所述的基于三重损失的改进的神经网络行人再识别方法,其特征在于,所述步骤S5中,采用三重损失函数针对三元组中的每个元素或样本,训练一个参数共享或者不共享的网络,得到三个元素对应的特征表达,分别记为
所述三重损失函数如下:
其中,从正负样本库中随机选的一个正样本或负样本,定义其名称为Anchor并即为x_a,然后再随机选取的两个与Anchor属于同一类的样本和属于不同类的样本,分别定义其名称为Positive并记为x_p和Negative并记为x_n,由此构成一个(Anchor,Positive,Negative)三元组,其中,三重损失函数中α,为x_a与x_n之间距离和x_a与x_p之间距离的间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611061867.3A CN106778527B (zh) | 2016-11-28 | 2016-11-28 | 一种基于三重损失的改进的神经网络行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611061867.3A CN106778527B (zh) | 2016-11-28 | 2016-11-28 | 一种基于三重损失的改进的神经网络行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778527A CN106778527A (zh) | 2017-05-31 |
CN106778527B true CN106778527B (zh) | 2019-11-12 |
Family
ID=58912796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611061867.3A Active CN106778527B (zh) | 2016-11-28 | 2016-11-28 | 一种基于三重损失的改进的神经网络行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778527B (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709478A (zh) * | 2017-02-22 | 2017-05-24 | 桂林电子科技大学 | 一种行人图像特征分类方法和*** |
CN107357995A (zh) * | 2017-07-14 | 2017-11-17 | 深圳码隆科技有限公司 | 一种陶瓷设计的推荐方法和设备 |
CN108875487B (zh) * | 2017-09-29 | 2021-06-15 | 北京旷视科技有限公司 | 行人重识别网络的训练及基于其的行人重识别 |
CN107832672B (zh) * | 2017-10-12 | 2020-07-07 | 北京航空航天大学 | 一种利用姿态信息设计多损失函数的行人重识别方法 |
CN107704838B (zh) * | 2017-10-19 | 2020-09-25 | 北京旷视科技有限公司 | 目标对象的属性识别方法及装置 |
CN109697439A (zh) * | 2017-10-24 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 汉字定位方法及装置、存储介质和电子设备 |
CN107704890B (zh) * | 2017-10-27 | 2020-01-14 | 北京旷视科技有限公司 | 一种四元组图像的生成方法和装置 |
EP3688750B1 (en) * | 2017-10-27 | 2024-03-13 | Google LLC | Unsupervised learning of semantic audio representations |
CN108875505B (zh) * | 2017-11-14 | 2022-01-21 | 北京旷视科技有限公司 | 基于神经网络的行人再识别方法和装置 |
CN108875765A (zh) * | 2017-11-14 | 2018-11-23 | 北京旷视科技有限公司 | 扩充数据集的方法、装置、设备及计算机存储介质 |
CN107977609B (zh) * | 2017-11-20 | 2021-07-20 | 华南理工大学 | 一种基于cnn的指静脉身份验证方法 |
CN108108754B (zh) * | 2017-12-15 | 2022-07-22 | 北京迈格威科技有限公司 | 重识别网络的训练、重识别方法、装置和*** |
CN109993026B (zh) * | 2017-12-29 | 2021-08-20 | 华为技术有限公司 | 亲属识别网络模型的训练方法及装置 |
CN108345837A (zh) * | 2018-01-17 | 2018-07-31 | 浙江大学 | 一种基于人体区域对齐化特征表达学习的行人再识别方法 |
CN108229444B (zh) * | 2018-02-09 | 2021-10-12 | 天津师范大学 | 一种基于整体和局部深度特征融合的行人再识别方法 |
CN108399428B (zh) * | 2018-02-09 | 2020-04-10 | 哈尔滨工业大学深圳研究生院 | 一种基于迹比准则的三元组损失函数设计方法 |
CN108416295B (zh) * | 2018-03-08 | 2021-10-15 | 天津师范大学 | 一种基于局部嵌入深度特征的行人再识别方法 |
CN108345866B (zh) * | 2018-03-08 | 2021-08-24 | 天津师范大学 | 一种基于深度特征学习的行人再识别方法 |
CN108491884A (zh) * | 2018-03-27 | 2018-09-04 | 中山大学 | 基于轻量级网络的行人再识别***及实现方法 |
CN109034044B (zh) * | 2018-06-14 | 2022-04-05 | 天津师范大学 | 一种基于融合卷积神经网络的行人再识别方法 |
CN109145704B (zh) * | 2018-06-14 | 2022-02-22 | 西安电子科技大学 | 一种基于人脸属性的人脸画像识别方法 |
CN108898188A (zh) * | 2018-07-06 | 2018-11-27 | 四川奇迹云科技有限公司 | 一种图像数据集辅助标记***及方法 |
CN109190446A (zh) * | 2018-07-06 | 2019-01-11 | 西北工业大学 | 基于三元组聚焦损失函数的行人再识别方法 |
CN108960331A (zh) * | 2018-07-10 | 2018-12-07 | 重庆邮电大学 | 一种基于行人图像特征聚类的行人再识别方法 |
CN108960184B (zh) * | 2018-07-20 | 2021-08-24 | 天津师范大学 | 一种基于异构部件深度神经网络的行人再识别方法 |
CN111091020A (zh) * | 2018-10-22 | 2020-05-01 | 百度在线网络技术(北京)有限公司 | 自动驾驶状态判别方法和装置 |
CN109583332B (zh) * | 2018-11-15 | 2021-07-27 | 北京三快在线科技有限公司 | 人脸识别方法、人脸识别***、介质及电子设备 |
CN109543602B (zh) * | 2018-11-21 | 2020-08-14 | 太原理工大学 | 一种基于多视角图像特征分解的行人再识别方法 |
CN111401113A (zh) * | 2019-01-02 | 2020-07-10 | 南京大学 | 一种基于人体姿态估计的行人重识别方法 |
CN109635141B (zh) | 2019-01-29 | 2021-04-27 | 京东方科技集团股份有限公司 | 用于检索图像的方法、电子设备和计算机可读存储介质 |
CN109948587B (zh) * | 2019-03-29 | 2021-06-08 | 清华大学 | 基于高判别力特征挖掘的车辆再识别方法及装置 |
CN110059616A (zh) * | 2019-04-17 | 2019-07-26 | 南京邮电大学 | 基于融合损失函数的行人重识别模型优化方法 |
CN110135295A (zh) * | 2019-04-29 | 2019-08-16 | 华南理工大学 | 一种基于迁移学习的无监督行人重识别方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及*** |
CN110321862B (zh) * | 2019-07-09 | 2023-01-10 | 天津师范大学 | 一种基于紧致三元损失的行人再识别方法 |
CN110689039A (zh) * | 2019-08-19 | 2020-01-14 | 浙江工业大学 | 一种基于四通道卷积神经网络的树干纹理识别方法 |
CN110688976A (zh) * | 2019-10-09 | 2020-01-14 | 创新奇智(北京)科技有限公司 | 基于图像识别的门店比对方法 |
CN110852168A (zh) * | 2019-10-11 | 2020-02-28 | 西北大学 | 基于神经架构搜索的行人重识别模型构建方法及装置 |
CN111582057B (zh) * | 2020-04-20 | 2022-02-15 | 东南大学 | 一种基于局部感受野的人脸验证方法 |
CN112131970A (zh) * | 2020-09-07 | 2020-12-25 | 浙江师范大学 | 一种基于多通道时空网络和联合优化损失的身份识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
CN105678275A (zh) * | 2016-01-15 | 2016-06-15 | 苏州大学 | 车辆识别方法 |
CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
-
2016
- 2016-11-28 CN CN201611061867.3A patent/CN106778527B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
CN105678275A (zh) * | 2016-01-15 | 2016-06-15 | 苏州大学 | 车辆识别方法 |
CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106778527A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778527B (zh) | 一种基于三重损失的改进的神经网络行人再识别方法 | |
CN107766850B (zh) | 基于结合人脸属性信息的人脸识别方法 | |
CN112101150B (zh) | 一种基于朝向约束的多特征融合行人重识别方法 | |
CN108596329B (zh) | 基于端到端深度集成学习网络的三维模型分类方法 | |
CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN105138998B (zh) | 基于视角自适应子空间学习算法的行人重识别方法及*** | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其*** | |
CN103679142B (zh) | 一种基于空间约束的目标人体识别方法 | |
CN113221625B (zh) | 一种利用深度学习的局部特征对齐行人重识别方法 | |
CN106203395A (zh) | 基于多任务深度学习的人脸属性识别方法 | |
CN104732506A (zh) | 一种基于人脸语义分析的人物照片颜色风格转换方法 | |
CN106096661B (zh) | 基于相对属性随机森林的零样本图像分类方法 | |
CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
CN105046197A (zh) | 基于聚类的多模板行人检测方法 | |
Li et al. | Exploiting learnable joint groups for hand pose estimation | |
CN102314614A (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
CN107633232A (zh) | 一种基于深度学习的低维人脸模型训练方法 | |
CN104966075B (zh) | 一种基于二维判别特征的人脸识别方法与*** | |
CN108846404A (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
CN107085731A (zh) | 一种基于rgb‑d融合特征与稀疏编码的图像分类方法 | |
CN109447175A (zh) | 结合深度学习与度量学习的行人再识别方法 | |
CN108416270A (zh) | 一种基于多属性联合特征的交通标志识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |