CN110008842A - 一种基于深度多损失融合模型的行人重识别方法 - Google Patents
一种基于深度多损失融合模型的行人重识别方法 Download PDFInfo
- Publication number
- CN110008842A CN110008842A CN201910177443.0A CN201910177443A CN110008842A CN 110008842 A CN110008842 A CN 110008842A CN 201910177443 A CN201910177443 A CN 201910177443A CN 110008842 A CN110008842 A CN 110008842A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- loss function
- recognition methods
- feature
- model based
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012546 transfer Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013526 transfer learning Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 230000004438 eyesight Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 102100040160 Rabankyrin-5 Human genes 0.000 description 1
- 101710086049 Rabankyrin-5 Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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
- G06V40/172—Classification, e.g. identification
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度多损失融合模型的行人重识别方法,该方法使用深度学习技术,对训练集图片进行翻转、裁剪、随机擦除以及风格迁移等预处理操作,然后经过基本网络模型进行特征提取,在使用多个损失函数进行融合联合训练网络,与基于深度学习的行人重识别算法相比较,本发明因采用多种预处理方式、三种损失函数的融合以及有效的训练策略,大大提高了在数据集上行人重识别的性能,一方面,多种预处理方式可以扩展数据集,提高模型泛化能力,避免过拟合情况的发生,另一方面,三种损失函数各有自己的优缺点,当对其进行有效结合时,使得所使用的模型能够获取更好的识别结果。
Description
技术领域
本发明涉及计算机视觉领域,尤其是涉及一种基于深度多损失融合模型的行人重识别方法。
背景技术
分布式多摄像机监视***的基本任务是在不同位置和不同时间将人与摄像机视图相关联,被称为行人重识别任务,更具体而言,行人重识别主要为了解决“目标行人之前在哪里出现过”或“目标行人在监控网络中被捕捉后去了哪里”的问题,它支持许多关键应用,例如长时间多相机跟踪和取证搜索等。实际上,每一个摄像头可以从不同的角度和距离,在不同的光照条件、遮挡度和不同的静态和动态的背景下进行拍摄。这就给行人重识别任务带来了一些巨大的挑战。同时,由于在未知距离的摄像机观察到的行人可能存在拥挤的背景、低的分辨率等条件限制,因此依赖于诸如面部识别的传统生物测量学的行人重识别技术既不可行也不可靠。
传统的行人重识别技术主要分为两个方面:特征表达和相似性度量。常用的特征主要包括颜色特征、纹理特征、形状特征以及更高层次的属性特征、行为语意特征等。而对于相似性度量,欧式距离最先被使用,随后一些有监督的相似性判别方法也陆续被提出。
而随着深度学习的发展,基于深度学习模型的方法已经占据了行人重识别的领域,用于行人重识别的深度模型现阶段主要可分为三种:Identification model(辨识模型)、Verification model(验证模型)以及Triplet model(三重态模型)。Identificationmodel与其他任务上的分类模型相同,给定一张图片然后输出它的标签,该模型可充分利用单个图像的标注信息。Verification model将两张图片作为输入,然后判断两个输入是否为相同行人。Verification model使用了弱标签(两行人之间的关系)并未使用单张图片的标注信息。相同地,Triplet model将三张图片作为输入,拉近类内距离,拉开类间距离,但同样未使用单张图片的标注信息。另外,有相关学者研究表明,Triplet loss训练网络仍存在相对较大的类内距离。在上述背景下,充分利用各模型损失的优点,开发出一种基于深度多损失融合模型的行人重识别技术就显得尤为重要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度多损失融合模型的行人重识别方法。
本发明的目的可以通过以下技术方案来实现:
步骤一、获取行人原始图片数据集,将其进行训练集和测试集的划分。
步骤二、对训练集图片的基准数据集进行数据预处理,并进行数据扩充,本发明实施例采用如下几种数据处理方式:
1)在基准数据集中随机抽取若干图片进行水平翻转处理;
2)在基准数据集中随机抽取若干图片加高斯、椒盐噪声处理;
3)在基准数据集中随机抽取若干图片进行随机区域随机大小的擦除处理;
4)对于同一个数据集中不同camera拍摄的同一行人图片使用Cycle GAN进行风格迁移,减弱不同摄像视觉之间的环境差异。
优选地,采用循环生成对抗网络对数据进行扩充。
步骤三、选取基准网络模型,对基准网络模型进行训练,更新权重,优化网络,并对基准网络的超参数进行调整。
优选地,对于大量数据的行人重识别数据集,采用迁移学习,例如Market1501和CUHK03,使用在ImageNet上预训练的模型参数进行初始化后,再进一步进行训练。对于小的行人数据集,则采用在大数据上训练好的模型进行微调的方式进行训练,以弥补数据集过少的缺陷。
对于整个网络训练,使用三元组损失函数、交叉熵损失函数和中心损失函数三种损失函数融合的方式进行联合限制。使用三元组模型为骨架,所以一组输入图片为三张,则一组输入图片的表达式为:
其中,和是正样本对,和是负样本对。
整体模型包括三个预训练的CNN网络结构,并且它们有完全相同的网络结构并进行权值共享。通过特征提取层得到图片的特征图,然后通过融合的损失进行网络训练,权重更新。
1)对于交叉熵损失函数,和一般分类任务所用损失函数相同,一般使用交叉熵损失函数,具体公式如下:
式中,i为样本,xi为特征类别,m表示样本批量大小,n表示行人ID的数量,bj为第j个偏置值,yi为输入的第i个样本的标签信息,Wi为特征层参数矩阵W的第i列。
2)为拉开类间距离,拉近类内距离,使用三元组损失函数强制使类间距离小于类内距离,所用距离度量为欧式距离,具体损失函数公式如下:
式中,thre为超参数,其作用是使同类样本对间的距离小于不同类样本对间的距离。而d·为距离度量函数,分别为所对应的特征图,[x]+为函数max(0,x)。
3)上述两个损失函数可以保证有效的拉开类间距离,然而有研究表明,上述损失在进行训练时,相同类别的样本对之间的距离仍然很大,并没有很好的控制类内距离。针对这一情况,使用中心损失函数联合前面两者损失,中心损失函数的主要目标是使同一ID的特征图都靠近中心,同时这一中心在网络的训练过程中不断的进行更新,具体公式如下所示:
式中,centeryi为特征的xi类别为yi的中心点。
其中,在训练过程中,中心是进行不断更新的,当s=yi时更新公式如下所示:
式中,λ为中心损失函数的参数学习率。
通过使用三元组损失,交叉熵损失和中心损失来联合训练网络模型。融合的损失函数表达如下:
L=α1L1+α2L2+α3L3
式中,α1为交叉熵损失所占比例的权重值,α2为三元组损失所占比例的权重值,α3为中心损失所占比例的权重值。损失函数的权重α1、α2、α3可优选为0.69、0.23和0.01。
4)对基准网络的超参数进行调整包括迭代步长调整、迭代步长初始值调整以及学习函数选择。优选地,将训练总周期(epoch)设置为150,权重衰减参数(weight decay)为0.0005,批量大小(batch size)为180,则学习率更新方式如下形式:
步骤四、在对数据集进行过相应的组织和上述的数据扩充之后,将图片输入到卷积神经网络中进行特征提取。在经过基准卷积神经网络后得到各自的特征图Fw(Ri)的表达式如下:
步骤五、对提取出的特征分别两两计算欧式距离,并对计算的欧式距离进行排序,在候选集中选取与查询集中目标距离最近的图片作为识别结果。
与现有技术相比,本发明具有以下优点:
一、本发明方法采用多种预处理方式、三种损失函数的融合及有效的训练策略,大大提高了在数据集上行人重识别的性能;
二、本发明方法通过对训练集图片通过加不同种的噪声、水平翻转,以及抽取一些图片进行自动裁剪和随机擦除操作,一方面可起到数据扩充的作用,另一方面可避免过拟合的发生,对现实数据中一些遮挡等数据起到一定作用,提高模型的泛化能力;
三、本发明使用多损失进行融合,结合了三种损失函数的优点,在训练过程中,在拉开类间距离的同时,拉近类内距离,使网络提出的特征更有效;
四、本发明方法在网络模型训练中,对于大量数据的行人重识别数据集,采用迁移学习对预训练的模型参数进行初始化后,再进一步进行训练,对于小量数据的行人数据集,采用在大数据上训练好的模型进行微调的方式进行训练,能够弥补数据集过少的缺陷。
附图说明
图1为本发明方法的网络整体框图;
图2为本发明方法的行人重识别网络训练过程示意图;
图3为本发明方法中行人重识别网络测试过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明涉及一种基于深度多损失融合模型的行人重识别方法,该方法包括下列步骤:
步骤一、获取行人原始图片数据集,将其进行训练集和测试集的划分。
步骤二、对训练集图片的基准数据集进行数据预处理,并进行数据扩充,本发明实施例采用如下几种数据处理方式:
1)在基准数据集中随机抽取若干图片进行水平翻转处理;
2)在基准数据集中随机抽取若干图片加高斯、椒盐噪声处理;
3)在基准数据集中随机抽取若干图片进行随机区域随机大小的擦除处理;
4)对于同一个数据集中不同camera拍摄的同一行人图片使用Cycle GAN进行风格迁移,减弱不同摄像视觉之间的环境差异。
步骤三、选取基准网络模型,对基准网络模型进行训练,更新权重,优化网络,并对基准网络的超参数进行调整。对于整个网络训练,使用Identification loss、Center loss和Triplet loss三种损失函数融合的方式进行联合限制。
步骤四、在对数据集进行过相应的组织和上述的数据扩充之后,将图片输入到卷积神经网络中进行特征提取。
步骤五、对提取出的特征分别两两计算欧式距离,并对计算的欧式距离进行排序,在候选集中选取与查询集中目标距离最近的图片作为识别结果。
本实施例以数据集Market1501为例进行完成的阐述网络模型的训练过程以及测试过程。应当理解,此处所描述的具体实施例仅仅用以解释本发明,但本发明并不用于限定单一特例数据集。
数据组织——将Market1501数据集中751个ID行人共12936张图片作为训练数据,余下的19732张图片作为测试数据。其中测试数据又分为查询集(query)和候选集(galley)。查询集(query)中共3368张图片,750个行人ID的图片,每个行人最多6张(6个camera),测试数据剩余图片作为候选集(galley)。
数据预处理——在训练数据中随机抽取若干张图片进行水平翻转、加噪声、随机擦除等处理。同时,针对Market1501数据集中的6个camera,不同camera间的图片使用CycleGAN进行camera风格迁移,使数据集成倍扩增。
网络训练——因为Market1501属于数据量比较大的行人数据集,故使用在ImageNet上预训练的网络模型进行提取,由于参数以及时间方面的考虑,使用ResNet50作为基准网络模型,使用dropout防止过拟合的发生。通过使用Adam的方式不断的减小Triplet loss、Identification loss以及Center loss相融合的损失函数,进行权重更新,网络优化。
网络评估——对于查询集中以及候选集中的图片使用已经训练好的网络进行特征提取,对提出出来的特征分别两两计算欧式距离进行距离排序,在候选集中得到与查询集中目标距离相近的图片,以判断候选集与查询集中获取的行人是否为同一人,若是,则输出结果作为识别结果。
网络结果——通过评估计算,提出的一种基于深度多损失融合模型的行人重识别方法,在Market1501数据集上(不使用re-ranking)mAP为70.1,rank1为86.6,rank5为94.6。同时,在其他数据集上也取得了好的实验效果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于深度多损失融合模型的行人重识别方法,其特征在于,该方法包括下列步骤:
1)获取行人原始图片数据集,将原始图片数据集划分训练集和测试集,并将测试集分为查询集和候选集;
2)对训练集的图片数据依次进行翻转、加噪声、自动裁剪、随机擦除、跨域风格迁移的数据预处理过程,预处理完成后进行数据扩充;
3)选取基准网络模型,对基准网络模型进行训练,更新权重,优化网络,并对基准网络的超参数进行调整;
4)将步骤2)处理得到的训练集图片数据输入优化及调整后的基准网络模型中进行特征提取;
5)对提取出的特征分别两两计算欧式距离,并对计算的欧式距离进行排序,在候选集中选取与查询集中目标距离最近的图片作为识别结果。
2.根据权利要求1所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,步骤3)中,对于大量数据的行人重识别数据集,采用迁移学习方法对预训练的模型参数进行初始化后,再进一步进行训练,对于小量数据的行人数据集,采用在大数据上训练好的模型进行微调的方式进行训练。
3.根据权利要求1所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,采用三元组模型为骨架,将三张图片作为一组输入,则一组输入图片的表达式为:
式中,分别为输入中一组三张图片的表达式,和为正样本对,和为负样本对。
4.根据权利要求3所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,步骤3)中,采用三元组损失函数、交叉熵损失函数和中心损失函数融合的方式对基准网络模型进行训练,其中,采用三元组损失函数用以拉开类间距离及拉近类内距离,采用中心损失函数用以使同一ID的特征图靠近中心。
5.根据权利要求4所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,三元组损失函数、交叉熵损失函数和中心损失函数融合的损失函数L的表达式为:
L=α1L1+α2L2+α3L3
式中,L1为交叉熵损失函数,L2为三元组损失函数,L3为中心损失函数,α1为交叉熵损失所占比例的权重值,α2为三元组损失所占比例的权重值,α3为中心损失所占比例的权重值。
6.根据权利要求5所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,交叉熵损失函数L1的表达式为:
式中,i为样本,xi为特征类别,m表示样本批量大小,n表示行人ID的数量,bj为第j个偏置值,yi为输入的第i个样本的标签信息,Wi为特征层参数矩阵W的第i列。
7.根据权利要求6所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,三元组损失函数L2的表达式为:
式中,thre为用以使同类样本对间的距离小于不同类样本对间的距离的超参数,d(·)为距离度量函数,分别为所对应的特征图,[x]+为函数max(0,x)。
8.根据权利要求7所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,中心损失函数L3的表达式为:
式中,centeryi为特征的xi类别为yi的中心点。
9.根据权利要求8所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,中心损失函数L3的中心在训练过程中是不断更新的,当s=yi时更新公式如下所示:
式中,λ为中心损失函数的参数学习率。
10.根据权利要求1所述的一种基于深度多损失融合模型的行人重识别方法,其特征在于,步骤3)中,对基准网络的超参数进行调整包括迭代步长调整、迭代步长初始值调整以及学习函数选择。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177443.0A CN110008842A (zh) | 2019-03-09 | 2019-03-09 | 一种基于深度多损失融合模型的行人重识别方法 |
US16/813,001 US11195051B2 (en) | 2019-03-09 | 2020-03-09 | Method for person re-identification based on deep model with multi-loss fusion training strategy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177443.0A CN110008842A (zh) | 2019-03-09 | 2019-03-09 | 一种基于深度多损失融合模型的行人重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110008842A true CN110008842A (zh) | 2019-07-12 |
Family
ID=67166708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910177443.0A Pending CN110008842A (zh) | 2019-03-09 | 2019-03-09 | 一种基于深度多损失融合模型的行人重识别方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11195051B2 (zh) |
CN (1) | CN110008842A (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555060A (zh) * | 2019-09-09 | 2019-12-10 | 山东省计算中心(国家超级计算济南中心) | 基于成对样本匹配的迁移学习方法 |
CN110674688A (zh) * | 2019-08-19 | 2020-01-10 | 深圳力维智联技术有限公司 | 用于视频监控场景的人脸识别模型获取方法、***和介质 |
CN110675335A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
CN110796057A (zh) * | 2019-10-22 | 2020-02-14 | 上海交通大学 | 行人重识别方法、装置及计算机设备 |
CN110995652A (zh) * | 2019-11-04 | 2020-04-10 | 中国电子科技网络信息安全有限公司 | 一种基于深度迁移学***台未知威胁检测方法 |
CN111062430A (zh) * | 2019-12-12 | 2020-04-24 | 易诚高科(大连)科技有限公司 | 一种基于概率密度函数的行人重识别评价方法 |
CN111079638A (zh) * | 2019-12-13 | 2020-04-28 | 河北爱尔工业互联网科技有限公司 | 基于卷积神经网络的目标检测模型训练方法、设备和介质 |
CN111126360A (zh) * | 2019-11-15 | 2020-05-08 | 西安电子科技大学 | 基于无监督联合多损失模型的跨域行人重识别方法 |
CN111160279A (zh) * | 2019-12-31 | 2020-05-15 | 武汉星巡智能科技有限公司 | 利用小样本生成目标识别模型的方法、装置、设备及介质 |
CN111177447A (zh) * | 2019-12-26 | 2020-05-19 | 南京大学 | 一种基于深度网络模型的行人图像识别方法 |
CN111191503A (zh) * | 2019-11-25 | 2020-05-22 | 浙江省北大信息技术高等研究院 | 一种行人属性识别方法、装置、存储介质及终端 |
CN111242064A (zh) * | 2020-01-17 | 2020-06-05 | 山东师范大学 | 基于摄像头风格迁移和单标注的行人重识别方法及*** |
CN111382690A (zh) * | 2020-03-05 | 2020-07-07 | 南京理工大学 | 基于多损失融合模型的车辆再识别方法 |
CN111814655A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111814845A (zh) * | 2020-03-26 | 2020-10-23 | 同济大学 | 一种基于多支流融合模型的行人重识别方法 |
CN111931946A (zh) * | 2020-08-13 | 2020-11-13 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112084895A (zh) * | 2020-08-25 | 2020-12-15 | 南京邮电大学 | 一种基于深度学习的行人重识别方法 |
CN112101217A (zh) * | 2020-09-15 | 2020-12-18 | 镇江启迪数字天下科技有限公司 | 基于半监督学习的行人再识别方法 |
CN112434599A (zh) * | 2020-11-23 | 2021-03-02 | 同济大学 | 一种基于噪声通道的随机遮挡恢复的行人重识别方法 |
CN112528059A (zh) * | 2021-02-08 | 2021-03-19 | 南京理工大学 | 基于深度学习的交通目标图像检索方法、装置及可读介质 |
CN112613433A (zh) * | 2020-12-28 | 2021-04-06 | 厦门市美亚柏科信息股份有限公司 | 一种行人重识别的生成数据的伪标签分配方法及*** |
WO2021098772A1 (zh) * | 2019-11-20 | 2021-05-27 | Oppo广东移动通信有限公司 | 人脸验证的评估方法和***、及计算机存储介质 |
CN112949406A (zh) * | 2021-02-02 | 2021-06-11 | 西北农林科技大学 | 一种基于深度学习算法的羊只个体身份识别方法 |
CN113128456A (zh) * | 2021-04-30 | 2021-07-16 | 北京理工大学 | 一种联合图片生成的行人重识别方法 |
CN113255601A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市安软科技股份有限公司 | 一种车辆重识别模型的训练方法、***及相关设备 |
CN113344875A (zh) * | 2021-06-07 | 2021-09-03 | 武汉象点科技有限公司 | 一种基于自监督学习的异常图像检测方法 |
CN113837228A (zh) * | 2021-08-30 | 2021-12-24 | 厦门大学 | 基于惩罚感知中心损失函数的用于细粒度物体检索方法 |
CN113936301A (zh) * | 2021-07-02 | 2022-01-14 | 西北工业大学 | 基于中心点预测损失函数的目标重识别方法 |
CN114511475A (zh) * | 2022-04-21 | 2022-05-17 | 天津大学 | 一种基于改进Cycle GAN的图像生成方法 |
EP3989112A4 (en) * | 2019-12-11 | 2022-08-03 | Tencent Technology (Shenzhen) Company Limited | METHOD AND APPARATUS FOR HUMAN BODY ATTRIBUTE RECOGNITION, ELECTRONIC DEVICE AND INFORMATION MEDIA |
CN114863192A (zh) * | 2022-07-06 | 2022-08-05 | 武汉工程大学 | 基于图片-照片融合的动车组走行部异常识别方法及设备 |
CN116310358A (zh) * | 2023-02-23 | 2023-06-23 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车螺栓丢失检测方法、存储介质及设备 |
CN117435980A (zh) * | 2023-12-21 | 2024-01-23 | 国网浙江省电力有限公司 | 基于小样本学习的海岛光伏智能运维状态分析方法 |
CN117788957A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司 | 一种基于深度学习的资质图像分类方法及*** |
CN117874487A (zh) * | 2023-12-12 | 2024-04-12 | 西南交通大学 | 一种未知辐射源识别方法、装置、设备及可读存储介质 |
Families Citing this family (106)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062562B (zh) * | 2017-12-12 | 2020-03-10 | 北京图森未来科技有限公司 | 一种物体重识别方法及装置 |
CN109902665A (zh) * | 2019-03-28 | 2019-06-18 | 北京达佳互联信息技术有限公司 | 相似人脸检索方法、装置及存储介质 |
CN112102004B (zh) * | 2020-09-18 | 2022-08-30 | 合肥工业大学 | 一种基于残差学习的点击率预测融合方法 |
CN112989904B (zh) * | 2020-09-30 | 2022-03-25 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
CN112184688B (zh) * | 2020-10-10 | 2023-04-18 | 广州极飞科技股份有限公司 | 网络模型的训练方法、目标检测方法及相关装置 |
CN112257847A (zh) * | 2020-10-16 | 2021-01-22 | 昆明理工大学 | 一种基于CNN和LSTM预测地磁Kp指数的方法 |
CN112232224A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种lstm与cnn相结合的跨视角步态识别方法 |
JP7484653B2 (ja) | 2020-10-20 | 2024-05-16 | Jfeエンジニアリング株式会社 | 情報処理装置、情報処理方法、運転管理装置、および運転管理方法 |
CN112183468A (zh) * | 2020-10-27 | 2021-01-05 | 南京信息工程大学 | 一种基于多注意力联合多级特征的行人再识别方法 |
CN112308211B (zh) * | 2020-10-29 | 2024-03-08 | 中科(厦门)数据智能研究院 | 一种基于元学习的领域增量方法 |
CN112785029B (zh) * | 2020-11-05 | 2022-07-08 | 江苏方天电力技术有限公司 | 一种基于深度聚类模型的充电站用电量预测方法 |
CN112434729B (zh) * | 2020-11-09 | 2023-09-19 | 西安交通大学 | 一种类不平衡样本下基于层再生网络的故障智能诊断方法 |
CN112347957A (zh) * | 2020-11-12 | 2021-02-09 | 广联达科技股份有限公司 | 行人重识别方法、装置、计算机设备及存储介质 |
CN112560626B (zh) * | 2020-12-09 | 2024-02-23 | 南京创盈数智智能科技有限公司 | 一种基于局部与全局联合的深度度量学习漫画识别方法 |
CN112989912B (zh) * | 2020-12-14 | 2023-08-04 | 北京林业大学 | 一种基于无人机图像的油茶果品种识别方法 |
CN112561782B (zh) * | 2020-12-15 | 2023-01-03 | 哈尔滨工程大学 | 一种提高海上场景仿真图片真实度的方法 |
CN112684427B (zh) * | 2020-12-15 | 2024-05-17 | 南京理工大学 | 基于串行二次强化训练的雷达目标识别方法 |
CN112613375B (zh) * | 2020-12-16 | 2024-05-14 | 中国人寿财产保险股份有限公司 | 一种轮胎受损检测识别方法和设备 |
CN112581448A (zh) * | 2020-12-17 | 2021-03-30 | 中南大学 | 视网膜图像硬性渗出物识别方法及成像方法 |
CN112506797B (zh) * | 2020-12-22 | 2022-05-24 | 南京航空航天大学 | 一种针对医学影像识别***的性能测试方法 |
CN112597305B (zh) * | 2020-12-22 | 2023-09-01 | 上海师范大学 | 基于深度学习的科技文献作者名消歧方法及web端消歧装置 |
CN114692665B (zh) * | 2020-12-25 | 2024-05-24 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN112614113A (zh) * | 2020-12-26 | 2021-04-06 | 北京工业大学 | 一种基于深度学习的带钢缺陷检测方法 |
US11810385B2 (en) | 2020-12-28 | 2023-11-07 | Microsoft Technology Licensing, Llc | Subject identification based on iterated feature representation |
CN112686135B (zh) * | 2020-12-29 | 2022-10-14 | 中南大学 | 基于分布拟合的可泛化的行人重识别方法 |
CN112651948B (zh) * | 2020-12-30 | 2022-04-12 | 重庆科技学院 | 一种基于机器视觉的青蒿素萃取智能跟踪与识别方法 |
CN112784587B (zh) * | 2021-01-07 | 2023-05-16 | 国网福建省电力有限公司泉州供电公司 | 一种基于多模型融合的文本相似性度量方法及装置 |
CN112733946B (zh) * | 2021-01-14 | 2023-09-19 | 北京市商汤科技开发有限公司 | 一种训练样本的生成方法、装置、电子设备及存储介质 |
CN112766378B (zh) * | 2021-01-19 | 2023-07-21 | 北京工商大学 | 一种专注细粒度识别的跨域小样本图像分类模型方法 |
CN112801182B (zh) * | 2021-01-27 | 2022-11-04 | 安徽大学 | 一种基于困难样本感知的rgbt目标跟踪方法 |
CN112862767B (zh) * | 2021-01-28 | 2023-02-24 | 中山大学 | 基于度量学***衡样本的表面缺陷检测方法 |
CN113221625B (zh) * | 2021-03-02 | 2023-04-07 | 西安建筑科技大学 | 一种利用深度学习的局部特征对齐行人重识别方法 |
CN112990432B (zh) * | 2021-03-04 | 2023-10-27 | 北京金山云网络技术有限公司 | 目标识别模型训练方法、装置及电子设备 |
CN112906605B (zh) * | 2021-03-05 | 2024-02-20 | 南京航空航天大学 | 一种高准确率的跨模态行人重识别方法 |
CN113052012B (zh) * | 2021-03-08 | 2021-11-19 | 广东技术师范大学 | 一种基于改进d-s证据的眼疾图像识别方法及*** |
CN112966647A (zh) * | 2021-03-25 | 2021-06-15 | 东北林业大学 | 一种基于逐层聚类及增强判别的行人重识别方法 |
CN113378620B (zh) * | 2021-03-31 | 2023-04-07 | 中交第二公路勘察设计研究院有限公司 | 监控视频噪声环境下跨摄像头行人重识别方法 |
CN112990082B (zh) * | 2021-04-06 | 2023-04-18 | 舟山精卫智能科技有限公司 | 一种水声脉冲信号的检测识别方法 |
CN113221911B (zh) * | 2021-04-09 | 2023-03-21 | 华南理工大学 | 一种基于双重注意力机制的车辆重识别方法及*** |
CN113240575B (zh) * | 2021-05-12 | 2024-05-21 | 中国科学技术大学 | 人脸伪造视频效果增强方法 |
CN113253229B (zh) * | 2021-05-12 | 2023-09-26 | 中国人民解放军空军工程大学 | 一种雷达目标识别方法及*** |
CN113158985B (zh) * | 2021-05-18 | 2024-05-14 | 深圳市创智链科技有限公司 | 一种分类识别的方法和设备 |
CN113221770B (zh) * | 2021-05-18 | 2024-06-04 | 青岛根尖智能科技有限公司 | 基于多特征混合学习的跨域行人重识别方法及*** |
CN113177518B (zh) * | 2021-05-24 | 2023-04-28 | 西安建筑科技大学 | 一种利用弱监督区域推荐的车辆重识别方法 |
CN113392876B (zh) * | 2021-05-24 | 2022-07-05 | 电子科技大学 | 一种基于图神经网络的小样本图像分类方法 |
CN113486711A (zh) * | 2021-05-26 | 2021-10-08 | 上海应用技术大学 | 交通标志识别模型训练方法及*** |
CN113469356B (zh) * | 2021-06-03 | 2024-06-07 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
CN113449776B (zh) * | 2021-06-04 | 2023-07-25 | 中南民族大学 | 基于深度学习的中草药识别方法、装置及存储介质 |
CN113536928B (zh) * | 2021-06-15 | 2024-04-19 | 清华大学 | 一种高效率的无监督行人重识别方法和装置 |
CN113421235B (zh) * | 2021-06-17 | 2023-06-20 | 中国电子科技集团公司第四十一研究所 | 一种基于深度学习的烟支定位装置及方法 |
CN113326509B (zh) * | 2021-06-17 | 2022-07-19 | 浙江工业大学 | 基于互信息的深度学习模型中毒攻击检测方法及其装置 |
CN113392786B (zh) * | 2021-06-21 | 2022-04-12 | 电子科技大学 | 基于归一化和特征增强的跨域行人重识别方法 |
CN113420642A (zh) * | 2021-06-21 | 2021-09-21 | 西安电子科技大学 | 一种基于类别语义特征重加权的小样本目标检测方法及*** |
CN113537300B (zh) * | 2021-06-23 | 2023-12-12 | 上海大学 | 一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法 |
CN113191338B (zh) * | 2021-06-29 | 2021-09-17 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、装置、设备及可读存储介质 |
CN113255604B (zh) * | 2021-06-29 | 2021-10-15 | 苏州浪潮智能科技有限公司 | 基于深度学习网络的行人重识别方法、装置、设备及介质 |
CN113642604B (zh) * | 2021-07-09 | 2023-08-18 | 南京邮电大学 | 一种基于云边协同的音视频辅助触觉信号重建方法 |
CN113673326B (zh) * | 2021-07-14 | 2023-08-15 | 南京邮电大学 | 一种基于图像深度学***台人群计数方法及*** |
CN113254435B (zh) * | 2021-07-15 | 2021-10-29 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及*** |
CN113628170B (zh) * | 2021-07-16 | 2023-08-25 | 武汉大学 | 一种基于深度学习的激光线提取方法及*** |
CN113609927B (zh) * | 2021-07-19 | 2023-09-29 | 上海电力大学 | 基于分支学习和分层伪标签的行人重识别网络训练方法 |
CN113610121B (zh) * | 2021-07-22 | 2023-09-29 | 哈尔滨工程大学 | 一种跨域任务深度学习识别方法 |
CN113657176A (zh) * | 2021-07-22 | 2021-11-16 | 西南财经大学 | 一种基于主动对比学习的行人重识别实现方法 |
CN113313084A (zh) * | 2021-07-28 | 2021-08-27 | 中国航空油料集团有限公司 | 一种基于深度学习的睡岗检测方法 |
TWI779760B (zh) * | 2021-08-04 | 2022-10-01 | 瑞昱半導體股份有限公司 | 資料擴增方法與非暫態電腦可讀取媒體 |
CN113780111B (zh) * | 2021-08-25 | 2023-11-24 | 哈尔滨工程大学 | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 |
CN113792630B (zh) * | 2021-08-31 | 2023-11-07 | 北京大学 | 一种基于对比学习的地外探测图像识别方法及*** |
CN113723345B (zh) * | 2021-09-09 | 2023-11-14 | 河北工业大学 | 基于风格转换和联合学习网络的域自适应行人再识别方法 |
CN113743363B (zh) * | 2021-09-17 | 2022-05-24 | 中国人民解放军国防科技大学 | 一种基于无人机***小样本的遮挡目标识别方法 |
CN113920358A (zh) * | 2021-09-18 | 2022-01-11 | 广州番禺职业技术学院 | 一种小麦病害的自动分类方法、装置及*** |
CN113963165A (zh) * | 2021-09-18 | 2022-01-21 | 中国科学院信息工程研究所 | 一种基于自监督学习的小样本图像分类方法及*** |
CN113806564B (zh) * | 2021-09-22 | 2024-05-10 | 齐鲁工业大学 | 多模态信息性推文检测方法及*** |
CN113837063B (zh) * | 2021-10-15 | 2024-05-10 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
CN114092742B (zh) * | 2021-11-19 | 2024-02-06 | 西安交通大学 | 一种基于多角度的小样本图像分类装置和方法 |
CN114067143B (zh) * | 2021-11-24 | 2024-06-04 | 西安烽火软件科技有限公司 | 一种基于双子网络的车辆重识别方法 |
CN114241517B (zh) * | 2021-12-02 | 2024-02-27 | 河南大学 | 基于图像生成和共享学习网络的跨模态行人重识别方法 |
CN114140826B (zh) * | 2021-12-03 | 2024-05-31 | 北京交通大学 | 一种基于相机特征分离的目标重识别方法 |
CN114220124A (zh) * | 2021-12-16 | 2022-03-22 | 华南农业大学 | 一种近红外-可见光跨模态双流行人重识别方法及*** |
CN114328921B (zh) * | 2021-12-27 | 2024-04-09 | 湖南大学 | 一种基于分布校准的小样本实体关系抽取方法 |
CN114528920B (zh) * | 2022-01-19 | 2023-08-18 | 西北大学 | 基于生成对抗网络的兵马俑色彩复原方法 |
CN114529767A (zh) * | 2022-02-18 | 2022-05-24 | 厦门大学 | 基于双阶段对比学习框架的小样本sar目标识别方法 |
CN114758167B (zh) * | 2022-02-22 | 2024-04-26 | 北京航空航天大学杭州创新研究院 | 一种基于自适应对比学习的菜品识别方法 |
CN114581864B (zh) * | 2022-03-04 | 2023-04-18 | 哈尔滨工程大学 | 基于transformer的动态密集对齐车辆重识别技术 |
CN114330281B (zh) * | 2022-03-08 | 2022-06-07 | 北京京东方技术开发有限公司 | 自然语言处理模型的训练方法、文本处理方法和装置 |
CN114612721A (zh) * | 2022-03-15 | 2022-06-10 | 南京大学 | 基于多层次自适应特征融合类增量学习的图像分类方法 |
CN114821252B (zh) * | 2022-03-16 | 2023-05-26 | 电子科技大学 | 一种图像识别算法的自成长方法 |
CN114844583B (zh) * | 2022-03-30 | 2023-04-07 | 电子科技大学 | 基于原型网络的端到端通信接收方法 |
CN114723990A (zh) * | 2022-03-31 | 2022-07-08 | 南京大学 | 一种基于度量学习的图像分类鲁棒性提升方法 |
CN114821650B (zh) * | 2022-04-28 | 2024-04-30 | 南京邮电大学 | 一种基于改进CycleGAN数据增强的行人重识别方法 |
CN114550109B (zh) * | 2022-04-28 | 2022-07-19 | 中国科学院微电子研究所 | 一种行人流量检测方法和*** |
CN114842300B (zh) * | 2022-05-11 | 2024-05-03 | 安徽农业大学 | 一种适应雨天环境的农作物病虫害检测方法 |
CN114913583A (zh) * | 2022-05-17 | 2022-08-16 | 中南大学 | 基于深度学习孪生网络的图像类型检测方法及*** |
CN114663965B (zh) * | 2022-05-24 | 2022-10-21 | 之江实验室 | 一种基于双阶段交替学习的人证比对方法和装置 |
CN114822874B (zh) * | 2022-05-25 | 2023-10-10 | 湖南中医药大学 | 一种基于特征偏差对齐的方剂功效分类方法 |
CN115393634B (zh) * | 2022-08-11 | 2023-12-26 | 重庆邮电大学 | 一种基于迁移学习策略的少样本目标实时检测方法 |
CN115546326B (zh) * | 2022-10-25 | 2023-05-02 | 杨凌职业技术学院 | 一种基于元学习的云图像集编码方法 |
CN116229148B (zh) * | 2023-01-03 | 2023-10-03 | 中南大学 | 一种基于自监督对比学习的屏幕翻拍翻录鲁棒检测方法 |
CN115880618B (zh) * | 2023-03-02 | 2023-06-02 | 中铁电气化局集团有限公司 | 基于随机梯度下降算法的高铁接触网目标的检测方法 |
CN116824695A (zh) * | 2023-06-07 | 2023-09-29 | 南通大学 | 一种基于特征去噪的行人再识别非局部防御方法 |
CN116956024A (zh) * | 2023-07-05 | 2023-10-27 | 西北工业大学 | 一种基于参数自进化策略的目标细粒度识别方法 |
CN116543269B (zh) * | 2023-07-07 | 2023-09-05 | 江西师范大学 | 基于自监督的跨域小样本细粒度图像识别方法及其模型 |
CN116994104B (zh) * | 2023-07-19 | 2024-06-11 | 湖北楚天高速数字科技有限公司 | 基于张量融合和对比学习的零样本识别方法和*** |
CN116844646B (zh) * | 2023-09-04 | 2023-11-24 | 鲁东大学 | 一种基于深度对比学习的酶功能预测方法 |
CN116866089B (zh) * | 2023-09-05 | 2024-01-30 | 鹏城实验室 | 基于孪生胶囊网络的网络流量检测方法及其装置 |
CN117372416B (zh) * | 2023-11-13 | 2024-06-14 | 北京透彻未来科技有限公司 | 一种对抗训练的高鲁棒性数字病理切片诊断***及方法 |
CN117809169B (zh) * | 2024-03-01 | 2024-04-30 | 中国海洋大学 | 一种小样本水下声呐图像分类方法及其模型搭建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596138A (zh) * | 2018-05-03 | 2018-09-28 | 南京大学 | 一种基于迁移层次网络的人脸识别方法 |
CN109190722A (zh) * | 2018-08-06 | 2019-01-11 | 大连民族大学 | 基于满文字符图片的字体风格迁移变换方法 |
CN109446898A (zh) * | 2018-09-20 | 2019-03-08 | 暨南大学 | 一种基于迁移学习和特征融合的行人重识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020061489A1 (en) * | 2018-09-20 | 2020-03-26 | Nvidia Corporation | Training neural networks for vehicle re-identification |
US11138469B2 (en) * | 2019-01-15 | 2021-10-05 | Naver Corporation | Training and using a convolutional neural network for person re-identification |
-
2019
- 2019-03-09 CN CN201910177443.0A patent/CN110008842A/zh active Pending
-
2020
- 2020-03-09 US US16/813,001 patent/US11195051B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596138A (zh) * | 2018-05-03 | 2018-09-28 | 南京大学 | 一种基于迁移层次网络的人脸识别方法 |
CN109190722A (zh) * | 2018-08-06 | 2019-01-11 | 大连民族大学 | 基于满文字符图片的字体风格迁移变换方法 |
CN109446898A (zh) * | 2018-09-20 | 2019-03-08 | 暨南大学 | 一种基于迁移学习和特征融合的行人重识别方法 |
Non-Patent Citations (2)
Title |
---|
DI WU ET.AL: "A novel deep model with multi-loss and efficient training for person re -identification", 《NEUROCOMPUTING》 * |
YIQIANGCHEN ET.AL: "Deep and low-level feature based attribute learning for person re-identification", 《IMAGE AND VISION COMPUTING》 * |
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674688A (zh) * | 2019-08-19 | 2020-01-10 | 深圳力维智联技术有限公司 | 用于视频监控场景的人脸识别模型获取方法、***和介质 |
CN110675335B (zh) * | 2019-08-31 | 2022-09-06 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
CN110675335A (zh) * | 2019-08-31 | 2020-01-10 | 南京理工大学 | 基于多分辨率残差融合网络的浅表静脉增强方法 |
CN110555060A (zh) * | 2019-09-09 | 2019-12-10 | 山东省计算中心(国家超级计算济南中心) | 基于成对样本匹配的迁移学习方法 |
CN110555060B (zh) * | 2019-09-09 | 2023-05-02 | 山东省计算中心(国家超级计算济南中心) | 基于成对样本匹配的迁移学习方法 |
CN110796057A (zh) * | 2019-10-22 | 2020-02-14 | 上海交通大学 | 行人重识别方法、装置及计算机设备 |
CN110995652B (zh) * | 2019-11-04 | 2021-11-12 | 中国电子科技网络信息安全有限公司 | 一种基于深度迁移学***台未知威胁检测方法 |
CN110995652A (zh) * | 2019-11-04 | 2020-04-10 | 中国电子科技网络信息安全有限公司 | 一种基于深度迁移学***台未知威胁检测方法 |
CN111126360A (zh) * | 2019-11-15 | 2020-05-08 | 西安电子科技大学 | 基于无监督联合多损失模型的跨域行人重识别方法 |
CN111126360B (zh) * | 2019-11-15 | 2023-03-24 | 西安电子科技大学 | 基于无监督联合多损失模型的跨域行人重识别方法 |
WO2021098772A1 (zh) * | 2019-11-20 | 2021-05-27 | Oppo广东移动通信有限公司 | 人脸验证的评估方法和***、及计算机存储介质 |
CN111191503A (zh) * | 2019-11-25 | 2020-05-22 | 浙江省北大信息技术高等研究院 | 一种行人属性识别方法、装置、存储介质及终端 |
EP3989112A4 (en) * | 2019-12-11 | 2022-08-03 | Tencent Technology (Shenzhen) Company Limited | METHOD AND APPARATUS FOR HUMAN BODY ATTRIBUTE RECOGNITION, ELECTRONIC DEVICE AND INFORMATION MEDIA |
US11710335B2 (en) | 2019-12-11 | 2023-07-25 | Tencent Technology (Shenzhen) Company Limited | Human body attribute recognition method and apparatus, electronic device, and storage medium |
CN111062430A (zh) * | 2019-12-12 | 2020-04-24 | 易诚高科(大连)科技有限公司 | 一种基于概率密度函数的行人重识别评价方法 |
CN111062430B (zh) * | 2019-12-12 | 2023-05-09 | 易诚高科(大连)科技有限公司 | 一种基于概率密度函数的行人重识别评价方法 |
CN111079638A (zh) * | 2019-12-13 | 2020-04-28 | 河北爱尔工业互联网科技有限公司 | 基于卷积神经网络的目标检测模型训练方法、设备和介质 |
CN111177447A (zh) * | 2019-12-26 | 2020-05-19 | 南京大学 | 一种基于深度网络模型的行人图像识别方法 |
CN111177447B (zh) * | 2019-12-26 | 2021-04-30 | 南京大学 | 一种基于深度网络模型的行人图像识别方法 |
CN111160279A (zh) * | 2019-12-31 | 2020-05-15 | 武汉星巡智能科技有限公司 | 利用小样本生成目标识别模型的方法、装置、设备及介质 |
CN111242064A (zh) * | 2020-01-17 | 2020-06-05 | 山东师范大学 | 基于摄像头风格迁移和单标注的行人重识别方法及*** |
CN111382690A (zh) * | 2020-03-05 | 2020-07-07 | 南京理工大学 | 基于多损失融合模型的车辆再识别方法 |
CN111814845A (zh) * | 2020-03-26 | 2020-10-23 | 同济大学 | 一种基于多支流融合模型的行人重识别方法 |
CN111814845B (zh) * | 2020-03-26 | 2022-09-20 | 同济大学 | 一种基于多支流融合模型的行人重识别方法 |
CN111814655B (zh) * | 2020-07-03 | 2023-09-01 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111814655A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
CN111931946A (zh) * | 2020-08-13 | 2020-11-13 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN111931946B (zh) * | 2020-08-13 | 2024-04-16 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112084895B (zh) * | 2020-08-25 | 2022-07-29 | 南京邮电大学 | 一种基于深度学习的行人重识别方法 |
CN112084895A (zh) * | 2020-08-25 | 2020-12-15 | 南京邮电大学 | 一种基于深度学习的行人重识别方法 |
CN112101217A (zh) * | 2020-09-15 | 2020-12-18 | 镇江启迪数字天下科技有限公司 | 基于半监督学习的行人再识别方法 |
CN112101217B (zh) * | 2020-09-15 | 2024-04-26 | 镇江启迪数字天下科技有限公司 | 基于半监督学习的行人再识别方法 |
CN112434599A (zh) * | 2020-11-23 | 2021-03-02 | 同济大学 | 一种基于噪声通道的随机遮挡恢复的行人重识别方法 |
CN112613433A (zh) * | 2020-12-28 | 2021-04-06 | 厦门市美亚柏科信息股份有限公司 | 一种行人重识别的生成数据的伪标签分配方法及*** |
CN112613433B (zh) * | 2020-12-28 | 2022-08-19 | 厦门市美亚柏科信息股份有限公司 | 一种行人重识别的生成数据的伪标签分配方法及*** |
CN112949406A (zh) * | 2021-02-02 | 2021-06-11 | 西北农林科技大学 | 一种基于深度学习算法的羊只个体身份识别方法 |
CN112528059A (zh) * | 2021-02-08 | 2021-03-19 | 南京理工大学 | 基于深度学习的交通目标图像检索方法、装置及可读介质 |
CN113128456A (zh) * | 2021-04-30 | 2021-07-16 | 北京理工大学 | 一种联合图片生成的行人重识别方法 |
CN113344875A (zh) * | 2021-06-07 | 2021-09-03 | 武汉象点科技有限公司 | 一种基于自监督学习的异常图像检测方法 |
CN113255601A (zh) * | 2021-06-29 | 2021-08-13 | 深圳市安软科技股份有限公司 | 一种车辆重识别模型的训练方法、***及相关设备 |
CN113936301A (zh) * | 2021-07-02 | 2022-01-14 | 西北工业大学 | 基于中心点预测损失函数的目标重识别方法 |
CN113936301B (zh) * | 2021-07-02 | 2024-03-12 | 西北工业大学 | 基于中心点预测损失函数的目标重识别方法 |
CN113837228B (zh) * | 2021-08-30 | 2024-01-16 | 厦门大学 | 基于惩罚感知中心损失函数的用于细粒度物体检索方法 |
CN113837228A (zh) * | 2021-08-30 | 2021-12-24 | 厦门大学 | 基于惩罚感知中心损失函数的用于细粒度物体检索方法 |
CN114511475A (zh) * | 2022-04-21 | 2022-05-17 | 天津大学 | 一种基于改进Cycle GAN的图像生成方法 |
CN114511475B (zh) * | 2022-04-21 | 2022-08-02 | 天津大学 | 一种基于改进Cycle GAN的图像生成方法 |
CN114863192A (zh) * | 2022-07-06 | 2022-08-05 | 武汉工程大学 | 基于图片-照片融合的动车组走行部异常识别方法及设备 |
CN116310358B (zh) * | 2023-02-23 | 2023-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车螺栓丢失检测方法、存储介质及设备 |
CN116310358A (zh) * | 2023-02-23 | 2023-06-23 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车螺栓丢失检测方法、存储介质及设备 |
CN117874487A (zh) * | 2023-12-12 | 2024-04-12 | 西南交通大学 | 一种未知辐射源识别方法、装置、设备及可读存储介质 |
CN117435980A (zh) * | 2023-12-21 | 2024-01-23 | 国网浙江省电力有限公司 | 基于小样本学习的海岛光伏智能运维状态分析方法 |
CN117435980B (zh) * | 2023-12-21 | 2024-04-12 | 国网浙江省电力有限公司 | 基于小样本学习的海岛光伏智能运维状态分析方法 |
CN117788957A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司 | 一种基于深度学习的资质图像分类方法及*** |
CN117788957B (zh) * | 2024-02-23 | 2024-06-07 | 广东电网有限责任公司 | 一种基于深度学习的资质图像分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US20200285896A1 (en) | 2020-09-10 |
US11195051B2 (en) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008842A (zh) | 一种基于深度多损失融合模型的行人重识别方法 | |
CN110163110B (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
CN110414368B (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN112396027B (zh) | 基于图卷积神经网络的车辆重识别方法 | |
CN108764065A (zh) | 一种行人重识别特征融合辅助学习的方法 | |
CN109740413A (zh) | 行人重识别方法、装置、计算机设备及计算机存储介质 | |
WO2022252274A1 (zh) | 基于PointNet网络点云分割及虚拟环境生成方法和装置 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN105574510A (zh) | 一种步态识别方法及装置 | |
CN109344285A (zh) | 一种面向监控的视频图谱构建和挖掘方法、设备 | |
CN108520530A (zh) | 基于长短时记忆网络的目标跟踪方法 | |
CN108960184A (zh) | 一种基于异构部件深度神经网络的行人再识别方法 | |
CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
CN107729363A (zh) | 基于GoogLeNet网络模型鸟类种群识别分析方法 | |
CN108682022A (zh) | 基于对抗迁移网络的视觉跟踪方法及*** | |
JP2022082493A (ja) | ノイズチャネルに基づくランダム遮蔽回復の歩行者再識別方法 | |
CN111401132A (zh) | 监控场景下高层语义指导的行人属性识别方法 | |
CN115860152B (zh) | 一种面向人物军事知识发现的跨模态联合学习方法 | |
CN104820711A (zh) | 复杂场景下对人形目标的视频检索方法 | |
CN109063643A (zh) | 一种用于脸部信息部分隐藏条件下的面部表情痛苦度识别方法 | |
CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
CN109032935A (zh) | 基于幻影围棋的非完美信息博弈完美化软件模型的预测方法 | |
CN109785359A (zh) | 一种基于深度特征金字塔与跟踪损失的视频目标检测方法 | |
CN111507416A (zh) | 一种基于深度学习的吸烟行为实时检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |
|
RJ01 | Rejection of invention patent application after publication |