CN107729993A - 利用训练样本及折中度量的3d卷积神经网络构建方法 - Google Patents

利用训练样本及折中度量的3d卷积神经网络构建方法 Download PDF

Info

Publication number
CN107729993A
CN107729993A CN201711033085.3A CN201711033085A CN107729993A CN 107729993 A CN107729993 A CN 107729993A CN 201711033085 A CN201711033085 A CN 201711033085A CN 107729993 A CN107729993 A CN 107729993A
Authority
CN
China
Prior art keywords
msub
mrow
sample
loss
neural networks
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.)
Pending
Application number
CN201711033085.3A
Other languages
English (en)
Inventor
郑苏桐
郭晓强
李小雨
王东飞
周芸
姜竹青
门爱东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National News Publishes Broadcast Research Institute Of General Bureau Of Radio Film And Television
Beijing University of Posts and Telecommunications
Academy of Broadcasting Science of SAPPRFT
Original Assignee
National News Publishes Broadcast Research Institute Of General Bureau Of Radio Film And Television
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National News Publishes Broadcast Research Institute Of General Bureau Of Radio Film And Television, Beijing University of Posts and Telecommunications filed Critical National News Publishes Broadcast Research Institute Of General Bureau Of Radio Film And Television
Priority to CN201711033085.3A priority Critical patent/CN107729993A/zh
Publication of CN107729993A publication Critical patent/CN107729993A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种利用训练样本及折中度量的3D卷积神经网络构建方法，其技术特点是：构造孪生结构的3D卷积神经网络；设置网络的损失函数，该损失函数由正样本损失、负样本损失及正则化损失构成，并在正则化损失中结合了马氏距离和欧氏距离；使用softmax损失函数，使用视频序列形式的数据集对网络进行预训练；构造正样本对和负样本对，对图像进行预处理和分割；有选择地利用训练样本对网络进行训练。本发明设计合理，其有选择地使用训练样本来提高训练效率并抑制过拟合，同时，在对特征进行度量时对欧氏距离和马氏距离进行权衡，从而构建3D卷积神经网络模型，试验表明本发明构建的模型及训练策略使得***整体匹配率大大提升。

Description

利用训练样本及折中度量的3D卷积神经网络构建方法
技术领域
本发明属于视觉行人再识别技术领域，尤其是一种利用训练样本及折中度量的3D卷积神经网络构建方法。
背景技术
随着监控范围的增大，监控数据呈现***式增长。依靠人眼识别监控画面中的行人身份显然十分低效，行人再识别技术的任务便是依靠计算机视觉技术解决不重叠监控视野中行人身份匹配的问题。
行人再识别的传统方法主要分为两个步骤，首先对图像/视频进行特征提取，然后通过度量学习得到不同样本的相似度/距离。随着卷积神经网络技术的兴起，其在行人检测、目标跟踪等视觉任务中表现出了出色的性能，因此，基于深度学习的行人再识别也成为了备受关注的研究方向。然而，现有卷积神经网络存在一定局限性，即其仅仅对单张图像进行处理，而没有对监控视频的帧间信息进行利用，因此匹配效率较低。
发明内容
本发明的目地在于克服现有技术的不足，提出一种设计合理、匹配效率高且性能稳定的利用训练样本及折中度量的3D卷积神经网络构建方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种利用训练样本及折中度量的3D卷积神经网络构建方法，包括以下步骤：
步骤1、构造孪生结构的3D卷积神经网络；
步骤2、设置网络的损失函数，该损失函数由正样本损失、负样本损失及正则化损失构成，并在正则化损失中结合了马氏距离和欧氏距离；
步骤3、使用softmax损失函数，使用视频序列形式的数据集对网络进行预训练；
步骤4、构造正样本对和负样本对，对图像进行预处理和分割；
步骤5、有选择地利用训练样本对网络进行训练。
步骤1构建的3D卷积神经网络，包括如下两个相同的分支网络结构：
3D卷积层→批量归一化层→激活层→Dropout层→3D卷积层→批量归一化层→激活层→Dropout层→最大池化层→3D卷积层→批量归一化层→激活层→Dropout层→最大池化层→3D卷积层→批量归一化层→激活层→Dropout层→3D卷积层→批量归一化层→激活层→Dropout层→最大池化层→第一全连接层→第二全连接层。
所述3D卷积层的参数为3*3*3；所述激活层的参数为ReLU；所述Dropout 层的参数为0.2；所述最大池化层的参数为1*2*2；所述第一全连接层的参数为 4096*4096；所述第二全连接层的参数为4096*1000。
所述步骤2的具体处理方法为：
设孪生网络两个输出分别为Ψ(x1)和Ψ(x2)，其中x1和x2为网络的原始输入数据，Ψ(x1)和Ψ(x2)为网络最后的全连接层输出的1000维特征，则这两个样本之间的距离定义为：
d(x1，x2)＝||Ψ(x1)-Ψ(x2)||2
并根据下式标记距离的正负性质：
其中I(xk)(k＝1，2)是xk的行人身份；
设行人身份相同的样本对为正样本对，行人身份不同的样本对为负样本对；则正样本损失定义为：
其中Np是正样本对的数目，m是设定的间隔参数；
负样本损失定义为：
其中t是一个阈值，用于判断是否对负样本对距离进行惩罚；
正则化损失定义为：
其中W是最后一层全连接层的参数，λ是平衡参数，当λ较大时，度量方法以欧氏距离为主，当λ较小时，度量方法以马氏距离为主；
整体损失函数如下：
L＝Lp+Ln+Lb。
所述步骤4的具体处理方法为：首先将输入图像统一为宽度为128像素，高度为64像素尺寸，并对原始图像进行Retinex处理；然后将图像分割为上中下有重叠的三部分，三部分的尺寸均为64*64；最后将这三部分的图像序列叠加在一起，构成输入数据。
所述步骤5的具体处理方法为：根据步骤2中的正样本损失和负样本损失，对于符合条件的样本对，计算损失函数并采用随机梯度下降更新模型参数。
本发明的优点和积极效果是：
本发明设计合理，其有选择地使用训练样本来提高训练效率并抑制过拟合，同时，在对特征进行度量时对欧氏距离和马氏距离进行权衡，从而构建3D卷积神经网络模型，试验表明本发明构建的模型及训练策略使得***整体匹配率大大提升。
附图说明
图1是本发明的***整体结构图；
图2是选择训练样本的结构示意图；
图3a至图3f是本发明试验结果给出的不同要素的性能对比分析图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种利用训练样本及折中度量的3D卷积神经网络构建方法，包括以下步骤：
步骤1、构造孪生结构的3D卷积神经网络。
由于传统的2D卷积神经网络在高度和宽度两个方向对图像进行卷积计算，只能提取单张图像内的空间信息，而不能提取图像之间的时间及空间信息。而 3D卷积神经网络还可以在时间维度对图像序列进行卷积计算，能够利用前后图像之间的时-空信息。考虑到行人再识别的真实数据为视频形式，3D卷积神经网络比2D卷积神经网络更适用于此场景。因此，本发明采用3D卷积神经网络。本步骤的具体构建方法为：构建如图1所示的3D卷积神经网络，其两个分支网络结构相同，分别为：
3D卷积层(3*3*3)→批量归一化层→激活层(ReLU)→Dropout层(0.2) →3D卷积层(3*3*3)→批量归一化层→激活层(ReLU)→Dropout层(0.2) →最大池化层(1*2*2)→3D卷积层(3*3*3)→批量归一化层→激活层 (ReLU)→Dropout层(0.2)→最大池化层(1*2*2)→3D卷积层(3*3*3) →批量归一化层→激活层(ReLU)→Dropout层(0.2)→3D卷积层(3*3*3) →批量归一化层→激活层(ReLU)→Dropout层(0.2)→最大池化层(1*2*2) →全连接层(4096*4096)→全连接层(4096*1000)。
步骤2、设置网络的损失函数，该损失函数由3部分构成，分别为正样本损失、负样本损失及正则化损失，并在正则化损失中结合了马氏距离和欧氏距离。
本步骤的具体处理方法为：
假设孪生网络两个输出分别为Ψ(x1)和Ψ(x2)，其中x1和x2为网络的原始输入数据，Ψ(x1)和Ψ(x2)为网络最后的全连接层输出的1000维特征。则这两个样本之间的距离定义为：
d(x1，x2)＝||Ψ(x1)-Ψ(x2)||2
并根据下式标记距离的正负性质：
其中I(xk)(k＝1，2)是xk的行人身份。
我们规定行人身份相同的样本对为正样本对，行人身份不同的样本对为负样本对。给定一批输入数据，首先计算两个分支所输出的所有样本之间的两两距离并找到最大正距离Dp和最小负距离Dn。则正样本损失定义为：
其中Np是正样本对的数目，m是设定的间隔参数。负样本损失定义为：
其中t是一个阈值，判断是否对负样本对距离进行惩罚。在此过程中考虑到的有效样本如图2所示。
正则化损失定义为：
其中W是最后一层全连接层的参数，λ是平衡参数，当λ较大时，本发明的度量方法以欧氏距离为主，当λ较小时，本发明的度量方法以马氏距离为主。
综合考虑上述几类解释，***的整体损失函数如下：
L＝Lp+Ln+Lb
步骤3、使用softmax损失函数，使用视频序列形式的数据集对网络进行预训练，迭代约500次。
步骤4、构造正样本对和负样本对，对图像进行预处理和分割。
本步骤的具体处理方法为：输入图像首先被统一为宽度为128像素，高度为64像素尺寸，并对原始图像进行Retinex处理，降低光照等因素对图像的影响，使之更接近人眼感知效果。然后对图像进行分割，如图1所示，分为上中下有重叠的三部分，三部分的尺寸均为64*64，最后将这三部分的图像序列叠加在一起，构成输入数据。
步骤5、有选择地利用训练样本对网络进行训练。
本步骤的具体处理方法为：根据步骤2中的正样本损失函数和负样本损失函数，对于符合条件的样本对，计算损失函数并采用随机梯度下降更新模型参数。
下面按照本发明方法进行实验，说明本实验的实验效果。
测试环境：Ubuntu14.04、MATLAB R2016a
测试数据：所选数据集是用于行人再识别的图像序列数据集iLIDs-VID和Prid2011。
测试指标：
本发明使用了Cumulated Matching Characteristics(CMC)曲线作为评价指标，该指标表示正确匹配的样本在备选集中相似度的排名。结果如图3所示，曲线越接近100％性能越好。从第一列图中可以看出，有选择地利用训练样本对整个算法有增益；从第二列图中可以看出，对欧式距离和马氏距离进行折中提高了神经网络的性能；从第三列图中可以看出，3D卷积神经网络的性能优于2D 卷积神经网络
表1和表2是本发明与现有算法的性能比较。从中可以看出，本发明使用的算法在相似度排序的性能上高于现有算法。
表1采用iLIDs-VID图像序列数据集的性能对照表
表2采用Prid2011图像序列数据集的性能对照表
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (6)

1.一种利用训练样本及折中度量的3D卷积神经网络构建方法，其特征在于包括以下步骤：
步骤1、构造孪生结构的3D卷积神经网络；
步骤2、设置网络的损失函数，该损失函数由正样本损失、负样本损失及正则化损失构成，并在正则化损失中结合了马氏距离和欧氏距离；
步骤3、使用softmax损失函数，使用视频序列形式的数据集对网络进行预训练；
步骤4、构造正样本对和负样本对，对图像进行预处理和分割；
步骤5、有选择地利用训练样本对网络进行训练。
2.根据权利要求1所述的利用训练样本及折中度量的3D卷积神经网络构建方法，其特征在于：步骤1构建的3D卷积神经网络，包括如下两个相同的分支网络结构：
3D卷积层→批量归一化层→激活层→Dropout层→3D卷积层→批量归一化层→激活层→Dropout层→最大池化层→3D卷积层→批量归一化层→激活层→Dropout层→最大池化层→3D卷积层→批量归一化层→激活层→Dropout层→3D卷积层→批量归一化层→激活层→Dropout层→最大池化层→第一全连接层→第二全连接层。
3.根据权利要求2所述的利用训练样本及折中度量的3D卷积神经网络构建方法，其特征在于：所述3D卷积层的参数为3*3*3；所述激活层的参数为ReLU；所述Dropout层的参数为0.2；所述最大池化层的参数为1*2*2；所述第一全连接层的参数为4096*4096；所述第二全连接层的参数为4096*1000。
4.根据权利要求1所述的利用训练样本及折中度量的3D卷积神经网络构建方法，其特征在于：所述步骤2的具体处理方法为：
设孪生网络两个输出分别为Ψ(x1)和Ψ(x2)，其中x1和x2为网络的原始输入数据，Ψ(x1)和Ψ(x2)为网络最后的全连接层输出的1000维特征，则这两个样本之间的距离定义为：
d(x1，x2)＝||Ψ(x1)-Ψ(x2)||2
并根据下式标记距离的正负性质：
<mrow> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mi> </mi> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> <mi> </mi> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;NotEqual;</mo> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>.</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中I(xk)(k＝1，2)是xk的行人身份；
设行人身份相同的样本对为正样本对，行人身份不同的样本对为负样本对；则正样本损失定义为：
<mrow> <msub> <mi>L</mi> <mi>p</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>N</mi> <mi>p</mi> </msub> </mfrac> <munder> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>S</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>&gt;</mo> <msub> <mi>D</mi> <mi>n</mi> </msub> <mo>-</mo> <mi>m</mi> </mrow> </munder> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow>
其中Np是正样本对的数目，m是设定的间隔参数；
负样本损失定义为：
<mrow> <msub> <mi>L</mi> <mi>n</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>N</mi> <mi>n</mi> </msub> </mfrac> <munder> <munder> <mi>&amp;Sigma;</mi> <mrow> <mi>S</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> </mrow> </munder> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>&lt;</mo> <msub> <mi>D</mi> <mi>p</mi> </msub> <mo>+</mo> <mi>m</mi> </mrow> </munder> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>d</mi> <mo>(</mo> <mrow> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> </mrow> <mo>)</mo> <mo>,</mo> <mn>0</mn> <mo>)</mo> </mrow> </mrow>
其中t是一个阈值，用于判断是否对负样本对距离进行惩罚；
正则化损失定义为：
<mrow> <msub> <mi>L</mi> <mi>b</mi> </msub> <mo>=</mo> <mfrac> <mn>2</mn> <mi>&amp;lambda;</mi> </mfrac> <mo>|</mo> <mo>|</mo> <msup> <mi>WW</mi> <mi>T</mi> </msup> <mo>-</mo> <mi>I</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mi>F</mi> <mn>2</mn> </msubsup> </mrow>
其中W是最后一层全连接层的参数，λ是平衡参数，当λ较大时，度量方法以欧氏距离为主，当λ较小时，度量方法以马氏距离为主；
整体损失函数如下：
L＝Lp+Ln+Lb。
5.根据权利要求1所述的利用训练样本及折中度量的3D卷积神经网络构建方法，其特征在于：所述步骤4的具体处理方法为：首先将输入图像统一为宽度为128像素，高度为64像素尺寸，并对原始图像进行Retinex处理；然后将图像分割为上中下有重叠的三部分，三部分的尺寸均为64*64；最后将这三部分的图像序列叠加在一起，构成输入数据。
6.根据权利要求1所述的利用训练样本及折中度量的3D卷积神经网络构建方法，其特征在于：所述步骤5的具体处理方法为：根据步骤2中的正样本损失和负样本损失，对于符合条件的样本对，计算损失函数并采用随机梯度下降更新模型参数。
CN201711033085.3A 2017-10-30 2017-10-30 利用训练样本及折中度量的3d卷积神经网络构建方法 Pending CN107729993A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711033085.3A CN107729993A (zh) 2017-10-30 2017-10-30 利用训练样本及折中度量的3d卷积神经网络构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711033085.3A CN107729993A (zh) 2017-10-30 2017-10-30 利用训练样本及折中度量的3d卷积神经网络构建方法

Publications (1)

Publication Number Publication Date
CN107729993A true CN107729993A (zh) 2018-02-23

Family

ID=61203231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711033085.3A Pending CN107729993A (zh) 2017-10-30 2017-10-30 利用训练样本及折中度量的3d卷积神经网络构建方法

Country Status (1)

Country Link
CN (1) CN107729993A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960258A (zh) * 2018-07-06 2018-12-07 江苏迪伦智能科技有限公司 一种基于自学习深度特征的模板匹配方法
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
CN109376990A (zh) * 2018-09-14 2019-02-22 中国电力科学研究院有限公司 一种基于Siamese网络模型确定电力***的临界切除时间的方法及***
CN109711316A (zh) * 2018-12-21 2019-05-03 广东工业大学 一种行人重识别方法、装置、设备及存储介质
CN110175247A (zh) * 2019-03-13 2019-08-27 北京邮电大学 一种优化基于深度学习的异常检测模型的方法
CN110414586A (zh) * 2019-07-22 2019-11-05 杭州沃朴物联科技有限公司 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN110610191A (zh) * 2019-08-05 2019-12-24 深圳优地科技有限公司 一种电梯楼层识别方法、装置及终端设备
CN111027394A (zh) * 2019-11-12 2020-04-17 天津大学 基于孪生三维卷积神经网络的行为分类方法
CN112185543A (zh) * 2020-09-04 2021-01-05 南京信息工程大学 一种医疗感应数据流分类模型的构建方法
CN113326494A (zh) * 2021-05-31 2021-08-31 湖北微特传感物联研究院有限公司 身份信息认证方法、***、计算机设备和可读存储介质
CN113870254A (zh) * 2021-11-30 2021-12-31 中国科学院自动化研究所 目标对象的检测方法、装置、电子设备及存储介质
CN115114844A (zh) * 2022-05-09 2022-09-27 东南大学 一种钢筋混凝土粘结滑移曲线的元学习预测模型

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722714A (zh) * 2012-05-18 2012-10-10 西安电子科技大学 基于目标跟踪的人工神经网络扩张式学习方法
CN104281858A (zh) * 2014-09-15 2015-01-14 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN107292259A (zh) * 2017-06-15 2017-10-24 国家新闻出版广电总局广播科学研究院 基于AdaRank的深度特征和传统特征的集成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722714A (zh) * 2012-05-18 2012-10-10 西安电子科技大学 基于目标跟踪的人工神经网络扩张式学习方法
CN104281858A (zh) * 2014-09-15 2015-01-14 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN107292259A (zh) * 2017-06-15 2017-10-24 国家新闻出版广电总局广播科学研究院 基于AdaRank的深度特征和传统特征的集成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAILIN SHI等: "Embedding Deep Metric for Person Re-identification: A Study Against Large Variations", 《2016 EUROPEAN CONFERENCE ON COMPUTER VISION》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960258A (zh) * 2018-07-06 2018-12-07 江苏迪伦智能科技有限公司 一种基于自学习深度特征的模板匹配方法
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
CN109376990A (zh) * 2018-09-14 2019-02-22 中国电力科学研究院有限公司 一种基于Siamese网络模型确定电力***的临界切除时间的方法及***
CN109376990B (zh) * 2018-09-14 2022-03-04 中国电力科学研究院有限公司 一种基于Siamese网络模型确定电力***的临界切除时间的方法及***
CN109711316A (zh) * 2018-12-21 2019-05-03 广东工业大学 一种行人重识别方法、装置、设备及存储介质
CN109711316B (zh) * 2018-12-21 2022-10-21 广东工业大学 一种行人重识别方法、装置、设备及存储介质
CN110175247B (zh) * 2019-03-13 2021-06-08 北京邮电大学 一种优化基于深度学习的异常检测模型的方法
CN110175247A (zh) * 2019-03-13 2019-08-27 北京邮电大学 一种优化基于深度学习的异常检测模型的方法
CN110414586A (zh) * 2019-07-22 2019-11-05 杭州沃朴物联科技有限公司 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN110414586B (zh) * 2019-07-22 2021-10-26 杭州沃朴物联科技有限公司 基于深度学习的防伪标签验伪方法、装置、设备及介质
CN110610191A (zh) * 2019-08-05 2019-12-24 深圳优地科技有限公司 一种电梯楼层识别方法、装置及终端设备
CN111027394A (zh) * 2019-11-12 2020-04-17 天津大学 基于孪生三维卷积神经网络的行为分类方法
CN111027394B (zh) * 2019-11-12 2023-07-07 天津大学 基于孪生三维卷积神经网络的行为分类方法
CN112185543A (zh) * 2020-09-04 2021-01-05 南京信息工程大学 一种医疗感应数据流分类模型的构建方法
CN113326494A (zh) * 2021-05-31 2021-08-31 湖北微特传感物联研究院有限公司 身份信息认证方法、***、计算机设备和可读存储介质
CN113326494B (zh) * 2021-05-31 2023-08-18 湖北微特传感物联研究院有限公司 身份信息认证方法、***、计算机设备和可读存储介质
CN113870254A (zh) * 2021-11-30 2021-12-31 中国科学院自动化研究所 目标对象的检测方法、装置、电子设备及存储介质
CN115114844A (zh) * 2022-05-09 2022-09-27 东南大学 一种钢筋混凝土粘结滑移曲线的元学习预测模型
CN115114844B (zh) * 2022-05-09 2023-09-19 东南大学 一种钢筋混凝土粘结滑移曲线的元学习预测模型

Similar Documents

Publication Publication Date Title
CN107729993A (zh) 利用训练样本及折中度量的3d卷积神经网络构建方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN105512289B (zh) 基于深度学习和哈希的图像检索方法
CN110210539B (zh) 多级深度特征融合的rgb-t图像显著性目标检测方法
CN109670528B (zh) 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN106778604B (zh) 基于匹配卷积神经网络的行人再识别方法
CN107341452A (zh) 基于四元数时空卷积神经网络的人体行为识别方法
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN108960140A (zh) 基于多区域特征提取和融合的行人再识别方法
CN107203787A (zh) 一种无监督正则化矩阵分解特征选择方法
CN105869173A (zh) 一种立体视觉显著性检测方法
CN110097178A (zh) 一种基于熵注意的神经网络模型压缩与加速方法
CN108614997B (zh) 一种基于改进AlexNet的遥感图像识别方法
CN109063649B (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN110097029B (zh) 基于Highway网络多视角步态识别的身份认证方法
CN108960288B (zh) 基于卷积神经网络的三维模型分类方法及***
CN110852369B (zh) 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN110222718A (zh) 图像处理的方法及装置
CN113343901A (zh) 基于多尺度注意力图卷积网络的人体行为识别方法
CN114187308A (zh) 基于多尺度池化金字塔的HRNet自蒸馏目标分割方法
Liu et al. APSNet: Toward adaptive point sampling for efficient 3D action recognition
CN106951819A (zh) 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法
CN107832753B (zh) 一种基于四值权重与多重分类的人脸特征提取方法
CN110991563B (zh) 一种基于特征融合的胶囊网络随机路由方法
CN107016359A (zh) 一种复杂环境下基于t分布的人脸快速识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180223

WD01 Invention patent application deemed withdrawn after publication