CN110046550A - 基于多层特征学习的行人属性识别***及方法 - Google Patents
基于多层特征学习的行人属性识别***及方法 Download PDFInfo
- Publication number
- CN110046550A CN110046550A CN201910191877.6A CN201910191877A CN110046550A CN 110046550 A CN110046550 A CN 110046550A CN 201910191877 A CN201910191877 A CN 201910191877A CN 110046550 A CN110046550 A CN 110046550A
- Authority
- CN
- China
- Prior art keywords
- feature
- layer
- attribute
- pedestrian
- module
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/25—Fusion techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多层特征学习的行人属性识别***及方法,该***包括自下到上特征提取模块、自上到下特征融合模块、特征预测模块、多层预测融合模块和测试模块,该方法具体步骤为:自下到上逐层处理图片得到多层特征;自上到下逐层融合相邻层的特征,较高一层得到的特征图压缩通道,并与上一层上采样后的特征图进行特征融合和通道降维,输出当前层特征;融合后特征和提取的最上层特征,经最大池化层、全连接层后得到不同层级的初步预测结果;将不同层级的初步预测结果叠加,并对每层预测的每个属性对应赋予权重值,得到最终的预测结果;提取图片对应预测结果,计算各个指标的结果。本发明针对融合后的特征得到的预测值,对每个属性学习一组特定的权重,让每个属性各自更好地利用多层特征来得到更好的识别效果。
Description
技术领域
本发明涉及基于深度学习的计算机视觉领域,具体涉及一种基于多层特征学习的行人属性识别***及方法。
背景技术
行人属性识别,也称为人体属性识别,是识别图片中行人的属性,如头发颜色,头发长度,衣服类型,衣服颜色等,属于多标签分类问题。行人属性识别在监控***下的行人再识别,行人检测等有广泛的应用,可以借用行人属性来辅助这些任务的进行。在行人属性识别领域,现有的大部分方法都基于深度学***均池化)层换成不同大小的池化核来分别进行池化操作,再将得到的特征拼起来,而且是在神经网络的几个不同层进行操作,最后再将全部特征向量拼接。
现有的技术并不能很好地针对每个属性去学到其所需要的特征,因为这些工作做的多层特征融合都只是在特征层面上做,而且大部分操作都是把特征向量拼接,并不能更好地利用并融合多层特征,且没有针对具体的每个属性去对应学习对于各层特征的关注力度。
发明内容
为了克服现有技术的缺陷,本发明提供一种基于多层特征学习的行人属性识别***及方法,专注于更好地融合各层的特征,并且基于ensemble(集成学习)的思想,针对融合后的特征得到的预测值,对每个属性,学习一组特定的权重,让每个属性各自更好地利用多层特征来得到更好的识别效果。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种基于多层特征学习的行人属性识别***,包括行人属性识别网络训练模块和测试模块,
所述行人属性识别网络训练模块包括自下到上特征提取模块、自上到下特征融合模块、特征预测模块和多层预测融合模块,
所述自下到上特征提取模块:采用卷积神经网络逐层提取图片特征得到多层特征,
所述自上到下特征融合模块:用于逐层融合相邻层的特征,较高一层得到的三维特征图先通过第一卷积层来压缩通道数,保持通道数与上一层上采样后的特征图一致,通过相加的操作进行特征融合,融合后的特征通过第二卷积层,继续进行通道数降维,得到当前层特征;
特征预测模块:根据从自下到上特征提取模块的最后一层的特征、以及自上到下特征融合模块得到的融合特征,每一层特征经过最大池化层和全连接层得到初始向量,通过Sigmoid函数进行激活后得到每个属性对应的预测概率,最后得到不同层级的初步预测结果;
多层预测融合模块:将特征预测模块的初步预测结果进行向量叠加,每组预测结果的每个属性赋予权重,得到最终的预测结果;
测试模块:利用训练好的行人属性识别网络,提取图片对应的最终的预测结果,然后算出各个指标的结果。
作为优选的技术方案,所述第一卷积层采用带有1*1卷积核的卷积层,所述第二卷积层采用带有3*3卷积核的卷积层。
作为优选的技术方案,所述自下到上特征提取模块采用卷积神经网络中的ResNet-50,采用ResNet-50中的残差模块作为特征输出的层。
作为优选的技术方案,所述多层预测融合模块中权重采用组卷积层,组卷积层的卷积核为5*1,且有N组卷积滤波,N对应图片数据集的行人属性个数。
本发明还提供一种基于多层特征学习的行人属性识别方法,包括下述步骤:
S1:采用卷积神经网络自下到上逐层提取图片特征得到多层特征;
S2:自上到下逐层融合相邻层的特征,在较高一层得到的特征图第一卷积层压缩通道,保持通道数不变,并与上一层进行上采样后得到特征图通过相加的操作进行特征融合,融合后的特征通过第二卷积层进行通道降维,在进行上采样到下一层的特征融合的同时,输出当前层特征;
S3:自上到下逐层融合相邻层得到的融合特征,以及自下到上提取到的最上层的特征,经过对应的最大池化层后,得到图片大小一致的特征图,并再经过全连接层,通过Sigmoid函数进行激活后得到一个每个点的值为0~1之间的向量,为每个属性对应的分类预测概率,得到不同层级的初步预测结果;
S4:将不同层级的初步预测结果向量叠加,得到多层预测矩阵,通过组卷积层对多层预测矩阵进行卷积操作,对应每组初步预测结果,每个属性都设置一组自动学***均结合得到最终的预测结果;
S5:根据训练好的行人属性识别网络,提取图片对应最终的预测结果,计算各个指标的结果。
作为优选的技术方案,步骤S2中所述的上采样采用的是双线性插值的上采样方法。
作为优选的技术方案,步骤S4中所述对应每组预测、每个属性设置一组自动学习的权重,权重采用组卷积层,组卷积层的卷积核为5*1,且有N组卷积滤波,N对应图片数据集的行人属性个数。
作为优选的技术方案,步骤S5中所述的指标,包括:基于标签的指标和基于样本的指标,所述基于标签从标签维度上计算平均准确率(mA),所述基于样本的指标从样本维度上计算准确率(accuracy),精确率(precision),召回率(recall)和F1值,
基于标签维度的平均准确率mA的计算公式如下:
其中,L表示属性的个数,i是第i个属性维度,TPi是ground truth为1且预测为1的样本数,样本数是指每一个具体的标签,TNi是ground truth为0且预测为0的样本数,Pi和Ni是第i个属性的正样本和负样本个数,
基于样本维度的指标计算公式如下:
其中,TPi是标签为1且预测为1的样本数,TNi是标签为0且预测为0的样本数,FPi是标签为0而预测为1的样本数,FNi是标签为1而预测为0的样本数,N是总样本数,在样本维度上是属性的总个数,i指的是第i张图片。
作为优选的技术方案,步骤S5中所述的根据训练好的行人属性识别网络,行人属性识别网络采用交叉熵损失函数进行训练过程的优化,并采用随机梯度下降算法更新行人属性识别网络参数。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明不仅逐层融合不同层的特征,还融合了通过不同层特征得到的不同层预测,对最终的预测结果做了更好的增强。
(2)本发明更彻底地利用到每一层的特征,借助组卷积层使每个行人属性都有一组关于各层预测的权重,将每层融合后的特征预测结果作为ensemble的子分类器,并得到最终的预测结果,能够利用有限的参数来增强实验结果。
(3)本发明在逐层融合特征的时候,使用双线性插值方法进行上采样,且在特征图相加之后加了卷积层,在进一步降低特征图通道数的同时使得融合的特征更稳定。
附图说明
图1为本发明基于多层特征学习的行人属性识别***流程图;
图2为本发明行人属性识别网络训练模块结构示意图;
图3为本发明的测试模块结构示意图;
图4为本发明的残差模块的结构示意图;
图5为本发明的基于标签维度和基于样本维度的指标计算示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1、图2、图3所示,本实施例提供一种基于多层特征学习的行人属性识别***,包括行人属性识别网络训练模块和行人属性识别***测试模块,所述行人属性识别网络训练模块包括自下到上特征提取模块,自上到下特征融合模块,特征预测模块和多层预测融合模块。
在本实施例中,所述自下到上特征提取模块:这个模块是一个基于经典的卷积神经网络,作为一个逐层处理图片得到多层特征的模块,本实施例选取了经典网络ResNet-50作为模块的主体,并将ResNet-50中的四个Residual Block(残差模块)作为特征输出的层。残差模块的结构如图4所示,模块的输出为经过模块网络层操作后的输出,加上模块输入的和。
在本实施例中,自上到下特征融合模块:这个模块旨在逐层融合相邻层的特征,然后用来得到下一步的预测结果。从高层语义,逐渐到低层特征,逐层融合相邻层的特征。较高一层得到的三维特征图会先通过一个带有1*1卷积核的卷积层来压缩通道数,保持通道数不变,并与上一层上采样后的特征图通过相加的操作进行特征融合,融合后的特征会通过一个3*3的卷积层,继续进行通道数降维,同时使得融合的特征更稳定。在进行上采样到下一层的融合的同时,输出该层特征。上采样的操作是在保证两份特征图通道数的情况下,形状大小也一样,本实施例采用的是双线性插值的上采样方法。最高一层没有上层特征,所以没有相加操作和3*3的卷积层。
在本实施例中,特征预测模块:从自上到下特征融合模块得到了四份不同层的融合后的特征,以及从自下到上特征提取模块的最后一层的特征,因为这些特征图的大小和通道数都不一样,经过最大池化层后都得到7*7大小的特征图,所以每份特征图对应的池化层的核都不一样。最后分别通过7*7的最大池化层得到一维的特征向量,然后再通过一层全连接层,得到初始向量,初始向量维度与数据集的标签个数一致,通过Sigmoid函数进行激活,会得到一个每个点的值为0~1之间的向量,便是每个属性对应的预测概率,最后得到不同层级的初步预测结果;
在本实施例中,所述多层预测融合模块:得到了多层的预测结果之后,将这些预测结果向量叠加在一起,拼成一个多层预测矩阵。在自上到下特征融合模块进行了多层特征融合之后,进一步基于ensemble的思想,把各层的预测结果当作子分类器的结果,进行预测结果的加权融合得到更好的结果。对应每组预测,每个属性都有一组权重来自动学习如何偏重于哪些层的预测。这些权重由一个组卷积层来实现,这层卷积的卷积核为5*1,且有N组卷积滤波,N对应数据集的行人属性个数。经过这层卷积的学习,进一步得到最终的预测结果。
在本实施例中,所述行人属性识别***测试模块主要是利用训练好的卷积神经网络模型,提取图片对应的结果,然后算出各个指标的结果。计算的指标分为两种:基于标签的指标和基于样本的指标。基于标签的指标是从标签维度上计算准确率的,而基于样本的指标是从样本维度上计算准确率,精确率,召回率和F1值(F-Measure),F-Measure是一种统计量,常用于评价模型的好坏。
本实施例还提供一种基于多层特征学习的行人属性识别方法,包括下述步骤:
S1:采用卷积神经网络自下到上逐层提取图片特征得到多层特征,
S2:自上到下逐层融合相邻层的特征,在较高一层得到的特征图通过带有1*1卷积核的卷积层压缩通道,保持通道数不变,并与上一层进行上采样后得到特征图通过相加的操作进行特征融合,融合后的特征通过3*3卷积核的卷积层进行通道降维,在进行上采样到下一层的特征融合的同时,输出当前层特征;
S3:自上到下逐层融合相邻层得到的融合特征,以及自下到上提取到的最上层的特征,经过对应的最大池化层后,得到图片大小一致的特征图,并再经过全连接层,通过Sigmoid函数进行激活,会得到一个每个点的值为0~1之间的向量,便是每个属性对应的分类预测概率,最后得到不同层级的初步预测结果;
S4:将多个大小为1*N的不同层级的初步预测结果向量叠加,得到大小为5*N的多层预测矩阵,此处的N对应所用数据集包括的属性总个数,通过组卷积层对矩阵进行卷积操作,即对应每组初步预测结果,每个属性都设有一组自动学***均得到最终的预测结果;权重采用组卷积层,组卷积层的卷积核为5*1,且有N组卷积滤波,N对应图片数据集的行人属性个数;
S5:根据训练好的行人属性识别网络,提取图片对应最终的预测结果,计算各个指标的结果。如图3所示,所述的指标包括:基于标签的指标和基于样本的指标,所述基于标签从标签维度上计算平均准确率(mA),所述基于样本的指标从样本维度上计算准确率(accuracy),精确率(precision),召回率(recall)和F1值。
(1)基于标签维度的平均准确率mA的计算公式如下:
其中,L是属性的个数,i是第i个属性维度,TPi是ground truth为1且预测为1的样本数,本实施例的样本数是指每一个具体的标签,TNi是ground truth为0且预测为0的样本数,Pi和Ni是第i个属性的正样本和负样本个数。
(2)基于样本维度的指标计算如下:
其中,Acc表示准确率,Pre表示精确率,Rec表示召回率,F1表示F1值,
同样地,TPi是标签为1且预测为1的样本数,TNi是标签为0且预测为0的样本数等。FPi是标签为0而预测为1的样本数,FNi是标签为1而预测为0的样本数,N是总样本数,在样本维度上是属性的总个数,i指的是第i张图片。
在本实施例中,与mA的计算区别在于是在样本维度上。比如,属性数量为m,样本数量为n。
如图5所示,为样本集的属性标签矩阵,mA是在属性维度上计算TP和TN,即灰度竖条对应一个属性的一组标签进行独立计算;基于样本的指标是在样本维度上计算TP/TN/FP/FN,即灰度横条对应一个样本的一组标签进行独立计算。
在本实施例中,步骤S1-S4为训练过程所需的步骤,最后预测结果和训练集的标签通过交叉熵损失函数进行网络的优化,并采用随机梯度下降的优化方法。而进行测试的时候,会包括S1-S4和S5得到指标的结果。训练集和测试集是不交叉的数据,一般会先预先分好。
本实施例专注于更好地融合各层的特征,并且基于ensemble(集成学习)的思想,针对融合后的特征得到的预测值,对每个属性,学习一组特定的权重,让每个属性各自更好地利用多层特征来得到更好的识别效果。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于多层特征学习的行人属性识别***,其特征在于,包括行人属性识别网络训练模块和测试模块,
所述行人属性识别网络训练模块包括自下到上特征提取模块、自上到下特征融合模块、特征预测模块和多层预测融合模块,
所述自下到上特征提取模块:采用卷积神经网络逐层提取图片特征得到多层特征,
所述自上到下特征融合模块:用于逐层融合相邻层的特征,较高一层得到的三维特征图先通过第一卷积层来压缩通道数,保持通道数与上一层上采样后的特征图一致,通过相加的操作进行特征融合,融合后的特征通过第二卷积层,继续进行通道数降维,得到当前层特征;
特征预测模块:根据从自下到上特征提取模块的最后一层的特征、以及自上到下特征融合模块得到的融合特征,每一层特征经过最大池化层和全连接层得到初始向量,通过Sigmoid函数进行激活后得到每个属性对应的预测概率,最后得到不同层级的初步预测结果;
多层预测融合模块:将特征预测模块的初步预测结果进行向量叠加,每组预测结果的每个属性赋予权重,得到最终的预测结果;
测试模块:利用训练好的行人属性识别网络,提取图片对应的最终的预测结果,然后算出各个指标的结果。
2.根据权利要求1所述的基于多层特征学习的行人属性识别***,其特征在于,所述第一卷积层采用带有1*1卷积核的卷积层,所述第二卷积层采用带有3*3卷积核的卷积层。
3.根据权利要求1所述的基于多层特征学习的行人属性识别***,其特征在于,所述自下到上特征提取模块采用卷积神经网络中的ResNet-50,采用ResNet-50中的残差模块作为特征输出的层。
4.根据权利要求1所述的基于多层特征学习的行人属性识别***,其特征在于,所述多层预测融合模块中权重采用组卷积层,组卷积层的卷积核为5*1,且有N组卷积滤波,N对应图片数据集的行人属性个数。
5.一种基于多层特征学习的行人属性识别方法,其特征在于,包括下述步骤:
S1:采用卷积神经网络自下到上逐层提取图片特征得到多层特征;
S2:自上到下逐层融合相邻层的特征,在较高一层得到的特征图通过第一卷积层压缩通道,保持通道数不变,并与上一层进行上采样后得到特征图通过相加的操作进行特征融合,融合后的特征通过第二卷积层进行通道降维,在进行上采样到下一层的特征融合的同时,输出当前层特征;
S3:自上到下逐层融合相邻层得到的融合特征,以及自下到上提取到的最上层的特征,经过对应的最大池化层后,得到图片大小一致的特征图,并再经过全连接层,通过Sigmoid函数进行激活后得到一个每个点的值为0~1之间的向量,为每个属性对应的分类预测概率,得到不同层级的初步预测结果;
S4:将不同层级的初步预测结果向量叠加,得到多层预测矩阵,通过组卷积层对多层预测矩阵进行卷积操作,对应每组初步预测结果,每个属性都设置一组自动学***均结合得到最终的预测结果;
S5:根据训练好的行人属性识别网络,提取图片对应最终的预测结果,计算各个指标的结果。
6.根据权利要求5所述的基于多层特征学习的行人属性识别方法,其特征在于,步骤S2中所述的上采样采用的是双线性插值的上采样方法。
7.根据权利要求5所述的基于多层特征学习的行人属性识别方法,其特征在于,步骤S4中所述对应每组预测、每个属性设置一组自动学习的权重,权重采用组卷积层,组卷积层的卷积核为5*1,且有N组卷积滤波,N对应图片数据集的行人属性个数。
8.根据权利要求5所述的基于多层特征学***均准确率(mA),所述基于样本的指标从样本维度上计算准确率(accuracy),精确率(precision),召回率(recall)和F1值,
基于标签维度的平均准确率mA的计算公式如下:
其中,L表示属性的个数,i是第i个属性维度,TPi是ground truth为1且预测为1的样本数,样本数是指每一个具体的标签,TNi是ground truth为0且预测为0的样本数,Pi和Ni是第i个属性的正样本和负样本个数,
基于样本维度的指标计算公式如下:
其中,TPi是标签为1且预测为1的样本数,TNi是标签为0且预测为0的样本数,FPi是标签为0而预测为1的样本数,FNi是标签为1而预测为0的样本数,N是总样本数,在样本维度上是属性的总个数,i指的是第i张图片。
9.根据权利要求5所述的基于多层特征学习的行人属性识别方法,其特征在于,步骤S5中所述的根据训练好的行人属性识别网络,行人属性识别网络采用交叉熵损失函数进行训练过程的优化,并采用随机梯度下降算法更新行人属性识别网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191877.6A CN110046550B (zh) | 2019-03-14 | 2019-03-14 | 基于多层特征学习的行人属性识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191877.6A CN110046550B (zh) | 2019-03-14 | 2019-03-14 | 基于多层特征学习的行人属性识别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046550A true CN110046550A (zh) | 2019-07-23 |
CN110046550B CN110046550B (zh) | 2021-07-13 |
Family
ID=67273697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910191877.6A Active CN110046550B (zh) | 2019-03-14 | 2019-03-14 | 基于多层特征学习的行人属性识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046550B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598631A (zh) * | 2019-09-12 | 2019-12-20 | 合肥工业大学 | 基于序列上下文关系学习的行人属性识别方法和识别*** |
CN110705474A (zh) * | 2019-09-30 | 2020-01-17 | 清华大学 | 一种行人属性识别方法和装置 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN111832620A (zh) * | 2020-06-11 | 2020-10-27 | 桂林电子科技大学 | 一种基于双注意力多层特征融合的图片情感分类方法 |
CN112215840A (zh) * | 2020-10-30 | 2021-01-12 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN112231476A (zh) * | 2020-10-14 | 2021-01-15 | 中国科学技术信息研究所 | 一种改进的图神经网络科技文献大数据分类方法 |
CN112418261A (zh) * | 2020-09-17 | 2021-02-26 | 电子科技大学 | 一种基于先验原型注意力机制的人体图像多属性分类方法 |
CN112418360A (zh) * | 2021-01-21 | 2021-02-26 | 深圳市安软科技股份有限公司 | 卷积神经网络的训练方法、行人属性识别方法及相关设备 |
CN112488742A (zh) * | 2019-09-12 | 2021-03-12 | 北京三星通信技术研究有限公司 | 用户属性信息的预测方法、装置、电子设备及存储介质 |
WO2022063217A1 (zh) * | 2020-09-28 | 2022-03-31 | 中科寒武纪科技股份有限公司 | 向前融合神经网络的装置、板卡、方法及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763504A (zh) * | 2009-12-30 | 2010-06-30 | 邱怀骏 | 复杂场景下的人体头部识别方法 |
CN106709447A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 基于目标定位与特征融合的视频中异常行为检测方法 |
CN108009594A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与*** |
WO2019041360A1 (zh) * | 2017-09-04 | 2019-03-07 | 华为技术有限公司 | 行人属性识别与定位方法以及卷积神经网络*** |
-
2019
- 2019-03-14 CN CN201910191877.6A patent/CN110046550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763504A (zh) * | 2009-12-30 | 2010-06-30 | 邱怀骏 | 复杂场景下的人体头部识别方法 |
CN106709447A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 基于目标定位与特征融合的视频中异常行为检测方法 |
WO2019041360A1 (zh) * | 2017-09-04 | 2019-03-07 | 华为技术有限公司 | 行人属性识别与定位方法以及卷积神经网络*** |
CN108009594A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108460403A (zh) * | 2018-01-23 | 2018-08-28 | 上海交通大学 | 一种图像中多尺度特征融合的目标检测方法与*** |
Non-Patent Citations (1)
Title |
---|
TSUNG-YI LIN ET AL.: "Feature Pyramid Networks for Object Detection", 《ARXIV》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598631A (zh) * | 2019-09-12 | 2019-12-20 | 合肥工业大学 | 基于序列上下文关系学习的行人属性识别方法和识别*** |
CN112488742A (zh) * | 2019-09-12 | 2021-03-12 | 北京三星通信技术研究有限公司 | 用户属性信息的预测方法、装置、电子设备及存储介质 |
CN110705474A (zh) * | 2019-09-30 | 2020-01-17 | 清华大学 | 一种行人属性识别方法和装置 |
CN110705474B (zh) * | 2019-09-30 | 2022-05-03 | 清华大学 | 一种行人属性识别方法和装置 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN111832620A (zh) * | 2020-06-11 | 2020-10-27 | 桂林电子科技大学 | 一种基于双注意力多层特征融合的图片情感分类方法 |
CN112418261A (zh) * | 2020-09-17 | 2021-02-26 | 电子科技大学 | 一种基于先验原型注意力机制的人体图像多属性分类方法 |
CN112418261B (zh) * | 2020-09-17 | 2022-05-03 | 电子科技大学 | 一种基于先验原型注意力机制的人体图像多属性分类方法 |
WO2022063217A1 (zh) * | 2020-09-28 | 2022-03-31 | 中科寒武纪科技股份有限公司 | 向前融合神经网络的装置、板卡、方法及可读存储介质 |
CN112231476A (zh) * | 2020-10-14 | 2021-01-15 | 中国科学技术信息研究所 | 一种改进的图神经网络科技文献大数据分类方法 |
CN112231476B (zh) * | 2020-10-14 | 2023-06-06 | 中国科学技术信息研究所 | 一种改进的图神经网络科技文献大数据分类方法 |
CN112215840A (zh) * | 2020-10-30 | 2021-01-12 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN112418360A (zh) * | 2021-01-21 | 2021-02-26 | 深圳市安软科技股份有限公司 | 卷积神经网络的训练方法、行人属性识别方法及相关设备 |
CN112418360B (zh) * | 2021-01-21 | 2021-04-13 | 深圳市安软科技股份有限公司 | 卷积神经网络的训练方法、行人属性识别方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110046550B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046550A (zh) | 基于多层特征学习的行人属性识别***及方法 | |
Tang et al. | Grape disease image classification based on lightweight convolution neural networks and channelwise attention | |
CN105139004B (zh) | 基于视频序列的人脸表情识别方法 | |
CN104281853B (zh) | 一种基于3d卷积神经网络的行为识别方法 | |
CN103258204B (zh) | 一种基于Gabor和EOH特征的自动微表情识别方法 | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN105160400B (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN110083700A (zh) | 一种基于卷积神经网络的企业舆情情感分类方法及*** | |
CN108427921A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN109615582A (zh) | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 | |
CN105373777B (zh) | 一种用于人脸识别的方法及装置 | |
CN110532996A (zh) | 视频分类的方法、信息处理的方法以及服务器 | |
CN109871781A (zh) | 基于多模态3d卷积神经网络的动态手势识别方法及*** | |
CN106951825A (zh) | 一种人脸图像质量评估***以及实现方法 | |
CN109559300A (zh) | 图像处理方法、电子设备及计算机可读存储介质 | |
CN110309861A (zh) | 一种基于生成对抗网络的多模态人类活动识别方法 | |
CN108520213B (zh) | 一种基于多尺度深度的人脸美丽预测方法 | |
CN110503081A (zh) | 基于帧间差分的暴力行为检测方法、***、设备及介质 | |
CN113558603B (zh) | 一种基于深度学习的多模态认知障碍识别方法 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN110009051A (zh) | 特征提取单元及方法、dcnn模型、识别方法及介质 | |
KR20200010672A (ko) | 딥러닝을 이용한 스마트 상품 검색 방법 및 시스템 | |
CN114511798A (zh) | 基于transformer的驾驶员分心检测方法及装置 | |
CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 |
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 |