CN110781928B - 一种提取图像多分辨率特征的图像相似度学习方法 - Google Patents
一种提取图像多分辨率特征的图像相似度学习方法 Download PDFInfo
- Publication number
- CN110781928B CN110781928B CN201910964570.5A CN201910964570A CN110781928B CN 110781928 B CN110781928 B CN 110781928B CN 201910964570 A CN201910964570 A CN 201910964570A CN 110781928 B CN110781928 B CN 110781928B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- images
- training
- channel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的本发明的一种提取图像多分辨率特征的图像相似度学习方法,包括以下步骤:步骤1,采用实验室工业相机采集芯片卡槽图像,对图像进行归一化处理,通过人直观视觉判定和哈希算法,根据图像相似和不相似性,将每两张相似或不相似的单张图像进行组合成一张双通道图像,构成输入图像对数据集,并将输入图像对数据集划分为训练集和测试集;步骤2,构建网络模型,选择深度学习框架,指定网络训练目标函数和优化器,进行相似度学习;步骤3,进行网络模型训练与测试;解决了现有图像相似度学习中网络提取的图像特征信息单一化,无法准确描述图像特征且网络训练受限于数据量,易产生过拟合的问题。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种提取图像多分辨率特征的图像相似度学习方法。
背景技术
图像相似度学习是通过挖掘图像内容信息来表征图像间的相关性。在人脸识别、图像伪装评价、图像检索、图像质量评价、行人在识别度等技术实现中,通过学习图像相似度可以准确、快速地描述图像特征信息。在图像相似度学习研究中,传统机器学习方法主要采用计算图像特征向量余弦距离和欧式距离、挖掘图像结构相似性(SSIM)、人为设定特征描述子来表征图像间的相似性,由于过程复杂、提取的图像特征信息少,导致相似度匹配不足;随着深度学习技术的发展,深度学习网络以特征自学习先验条件,提取图像特征信息来学习图像相似度,例如,孪生网络(Siamese network)、双分支网络(Two-branch)、双通道网络(Two-channel)以及通过监督学习感知距离的深度学习神经网络等。在监督学习模式下,深度学习网络免去了人工设计特征描述子的复杂性,但现阶段基于深度学习网络的图像相似度学习研究中,主要存在的问题在于网络提取的图像特征信息单一化,导致单一特征无法准确描述图像特征,使得准确率较低,网络训练受限于数据量,易产生过拟合。
发明内容
本发明的目的是提供一种提取图像多分辨率特征的图像相似度学习方法,解决了现有图像相似度学习中网络提取的图像特征信息单一化,无法准确描述图像特征且网络训练受限于数据量,易产生过拟合的问题。
本发明所采用的技术方案是,一种提取图像多分辨率特征的图像相似度学习方法,包括以下步骤:
步骤1,采用实验室工业相机采集芯片卡槽图像,对图像进行归一化处理,处理后的图像大小为Z*Z,通过人直观视觉判定和哈希算法,根据图像相似和不相似性,将每两张相似或不相似的单张图像(1,Z,Z)进行组合成一张双通道图像(2,Z,Z),构成输入图像对(X1,X2)数据集,将输入图像对数据集划分为训练集和测试集;
步骤2,构建网络模型,选择深度学习框架,指定网络训练目标函数和优化器,进行相似度学习;
步骤3,进行网络模型训练与测试。
本发明的特征还在于,
步骤2的具体步骤为:
步骤2.1,网络模型结构包括权值共享的双分支网络的左分支卷积神经网络和右分支卷积神经网络以及双通道图像输入的双通道网络、融合层和相似度学习网络;
步骤2.2,将步骤1构成的图像对(X1,X2)中的输入图像X1和输入图像X2分别输入到步骤2.1网络模型的左分支卷积神经网络和右分支卷积神经网络中,分别提取对应的单通道图像特征,将步骤1构成的图像对(X1,X2)输入到经步骤2.1网络模型的双通道网络中,提取双通道图像融合特征;
步骤2.3,将步骤2.2提取的单通道图像特征和双通道图像融合特征在融合层进行特征融合,得到融合特征;
步骤2.4,将步骤2.3得到的融合特征直接输入至相似度学习网络进行图像相似度学习。
选择的深度学习框架为TensorFlow,API为Keras。
卷积神经网络均由两层卷积层和两层池化层构成且卷积层与池化层交替分布。
相似度学习网络的第一层及第二层均为全连接层,第三层由全连接层和Softmax分类器组成。
步骤2.3的融合层采用concate融合策略,假设将输入图像X1和输入图像X2分别输入至左分支卷积神经网络和右分支卷积神经网络中,经过卷积、池化,则得到的通道分别为Yi,i=1、2、3…c,和Zi,i=1、2、3…c,经过concate方式融合特征,得到单个输出通道为:
其中,*表示卷积,c表示通道数,Ki为特征图维度。
步骤2中,网络训练目标函数为:在监督学***方L2范数正则化学习如下目标函数:
步骤2中,优化器采用Adam进行网络优化。
步骤3具体步骤为:根据步骤1划分的训练集和测试集,设置网络训练参数,包括训练集的大小、卷积神经网络的卷积核大小、最大值池化、三层全连接层的输出、网络优化算法、学习率大小、权值衰减及训练批次,采用设置后的参数进行训练与测试。
本发明的有益效果是:
(1)本发明一种提取图像多分辨率特征的图像相似度学习方法,通过融合层将权值共享的双分支网络和双通道网络进行组合,以融合不同分辨率图像特征(单通道图像特征和双通道图像融合特征),弥补了不同分辨率特征提取中造成的信息丢失,改善了网络提取图像特征多样性和提取的融合特征可靠性;
(2)本发明一种提取图像多分辨率特征的图像相似度学习方法,将多分辨率融合特征直接输入全连接层进行图像相似度学习,有效提升了相似度学习效率;
(3)本发明一种提取图像多分辨率特征的图像相似度学习方法,网络训练时,采用同一数据多输入,能够起到数据增强的效果;
(4)本发明一种提取图像多分辨率特征的图像相似度学习方法,将双分支网络设计为左分支网络和右分支网络权值共享,能够避免发生过拟和而导致学习能力下降,在网络训练数据不足时,能够保证网络训练适应性;
(5)本发明一种提取图像多分辨率特征的图像相似度学习方法,网络模型在网络训练时具有较强的网络学习能力,能够快速收敛,在进行网络模型测试时,对未知数据预判准确率与网络训练准确率基本一致,具有较强的模型泛化能力。
附图说明
图1是本发明一种提取图像多分辨率特征的图像相似度学习方法的网络训练及测试数据集样例图;
图2是本发明一种提取图像多分辨率特征的图像相似度学习方法中卷积神经网络与相似度学习网络结构图;
图3是现有技术中孪生网络结构图;
图4是现有技术中双分支网络结构图;
图5是现有技术中双通道网络结构图;
图6是本发明一种提取图像多分辨率特征的图像相似度学习方法的网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种提取图像多分辨率特征的图像相似度学习方法,包括以下步骤:
步骤1,如图1所示,采用实验室工业相机采集芯片卡槽图像(左侧图为相似图像对,右侧图为不相似图像对),对图像进行归一化处理,处理后的图像大小为Z*Z,通过人直观视觉判定和哈希算法,根据图像相似和不相似性,将每两张相似或不相似的单张图像(1,Z,Z)进行组合成一张双通道图像(2,Z,Z),构成输入图像对(X1,X2)数据集,将输入图像对数据集划分为训练集和测试集;
数据集的划分方法有两种:(1)手动分离数据集并评估:例如以80%作为训练集进行训练,20%作为测试集进行评估;(2)k折交叉验证:将数据集分为k个子集,其中一个子集作为测试集进行评估,剩余k-1个子集为训练集,并用预留的子集对网络模型进行评估,重复该过程,直到所有子集能够作为测试集对网络模型进行评估,最后对k个网络模型评估结果求平均作为网络模型的最终评估结果;
步骤2,构建网络模型,选择深度学习框架,指定网络训练目标函数和优化器,以进行相似度学习,具体为:
步骤2.1,如图6所示,网络模型结构包括权值共享的双分支网络的左分支卷积神经网络和右分支卷积神经网络,以及双通道图像输入的双通道网络、融合层和相似度学习网络;
其中,双分支网络的左分支网络、右分支网络权值共享可以根据不同深度学习框架(Tensorflow,Pytorch)调用不同Functional API,例如使用keras中的Functional API,只定义一个卷积神经网络,然后同时使用两个输入层,分别输入图像X1和输入图像X2来调用它,以实现左分支网络、右分支网络输入使用相同的W(权重参数);
卷积神经网络均由两层卷积层和两层池化层构成且卷积层与池化层交替分布,相似度学习网络的第一层及第二层均为全连接层,第三层由全连接层和Softmax分类器组成,如图2所示;
步骤2.2,将步骤1构成的图像对(X1,X2)中的输入图像X1和输入图像X2分别输入到步骤2.1网络模型的左分支卷积神经网络和右分支卷积神经网络中,分别提取对应的单通道图像特征,将步骤1构成的图像对(X1,X2)输入到经步骤2.1网络模型的双通道网络中,提取双通道图像融合特征;
步骤2.3,将步骤2.2提取的单通道图像特征和双通道图像融合特征在融合层进行特征融合,得到融合特征;
融合层采用concate融合策略,假设将输入图像X1和输入图像X2分别输入至左分支卷积神经网络和右分支卷积神经网络中,经过卷积、池化,则得到的通道分别为Yi,i=1、2、3…c,和Zi,i=1、2、3…c,经过concate方式融合特征,得到单个输出通道为:
其中,*表示卷积,c表示通道数,Ki为特征图维度;
步骤2.4,将步骤2.3得到的融合特征直接输入至相似度学习网络以进行图像相似度学习;
其中,选择的深度学习框架为TensorFlow,API为Keras;
网络训练目标函数为:模型训练时,使用hinge-based损失函数和平方L2范数正则化学习如下目标函数:
优化器采用Adam进行网络优化;
步骤3,进行网络模型训练与测试,具体为:
根据步骤1划分的训练集和测试集,设置网络训练参数,包括训练集的大小、卷积神经网络的卷积核大小、最大值池化、三层全连接层的输出、网络优化算法、学习率大小、权值衰减及训练批次,采用设置后的参数进行训练与测试。
本发明中的网络模型与现有技术网络模型(孪生网络、双分支网络、双通道网络)的对比:
(1)孪生网络。如图3所示,孪生网络为左右两分支结构相同并且权值共享的双分支结构,网络学习图像相似度类似于提取图像的描述子。首先将输入图像对(X1,X2)作为网络输入数据,然后输入图像X1和输入图像X2分别通过左分支网络和右分支网络提取出特征向量,最后通过两个特征向量的欧式距离作为损失函数来判断图像对是否相似,损失函数为如下公式:
EW(X1,X2)=||GW(X1)-GW(X2)||
其中GW(X1)为左分支网络提取的特征向量;GW(X2)为网络右分支提取的特征向量;EW(X1,X2)表示对比输出结果。当输入图片对中两张图像相似时,EW(X1,X2)值接近1;否则接近0。
孪生网络主要的优点是淡化标签,网络扩展性强,直接可以对未训练类别数据进行分类。但是,由于该网络采用网络多输入方式变相地增加了数据集量,所以适用于小样本数据学习;左右分支网络权值共享,提取的单一特征信息不足以准确描述图像特征信息,对局部差异较小图像相似度学习中效果较差。
(2)双分支网络。如图4所示,该网络为左右分支网络相同且权值不共享的双分支结构。首先通过左右分支CNN网络提取图像特征,然后特征由融合层进行融合,最后将融合特征输入到全连接层进行图像相似度学习。与孪生网络不同,双分支网络由于特征融合后直接学习图像相似度,虽然加快了网络训练速度,但是由于左右分支网络权值不共享(参数较多),对数据量要求较高,一旦数据有限,容易产生过拟合,导致图像相似度学习准确率低。
(3)双通道网络。如图5所示,与孪生网络和双分支网络不同,该网络直接将输入的图像对看作一张2通道图像,然后由CNN网络进行卷积、池化运算,最后将输出特征图谱送到全连接层进图像相似度学习。由于同时处理两张图片,该网络灵活性强,网络训练速度快;但是由于提取的融合特征单一影响了图像相似度学习,使得图像相似度学习准确率受影响。
本发明图像相似度学习方法中的网络模型,如图6所示,由三部分组成:1)权值共享的双分支网络;2)双通道图像数据输入的双通道网络;3)融合层和全连接层;融合层将权值共享的双分支网络和双通道网络进行组合,网络输入采用同一数据多输入方式,能够起到数据增强的效果;特征提取部分由权值共享的双分支网络和双通道输入的双通道网络构成相似度学习部分由融合层进行特征融合后输入全连接层进行图像相似度学习,将双分支网络设计为左分支网络和右分支网络权值共享,不但可以防止过拟合,而且可以加快模型训练速度,将双分支网络和双通道网络提取图像特征通过融合层进行融合,使网络提取图像多分辨率特征,从而准确描述图像特征信息。
实验验证:
本发明一种提取图像多分辨率特征的图像相似度学习方法,如图1所示,采用实验数据集图像来自实验室工业相机拍摄的16800张芯片卡槽图像,通过人直观视觉判定和哈希算法,并根据相似和不相似性组成图像对(X1,X2),在网络训练时,将数据集划分为训练集和测试集,具体如表1所示。
表1数据集划分信息
实验环境:显卡为1060TI的GPU,内存为4G,深度学习框架为TensorFlow,API为Keras;
网络训练参数设置:网络训练数据集图像大小为(2,32,32),卷积神经网络(Convolution Net)由两层卷积层和两层池化层组成,其中卷积核大小为3×3并采用最大值池化,其核大小为2×2,最后,网络的全连接层为三层(包含输出层),参数分别为1024、512、2,网络优化算法采用Adam,学习率大小为0.001,权值衰减λ为0.005,训练批次大小为256;
在同一实验环境下,将参数设置一致,进行模型训练并测试,如表2所示为本发明训练结果与现有技术对比实验结果。
表2.本发明与现有技术对比实验数据
如表2所示,孪生网络由于权值共享模型提取特征比较单一,相似度学***)。
Claims (9)
1.一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,包括以下步骤:
步骤1,采用实验室工业相机采集芯片卡槽图像,对图像进行归一化处理,处理后的图像大小为Z*Z,通过人直观视觉判定和哈希算法,根据图像相似和不相似性,将每两张相似或不相似的单张图像(1,Z,Z)进行组合成一张双通道图像(2,Z,Z),构成输入图像对(X1,X2)数据集,将输入图像对数据集划分为训练集和测试集;
步骤2,构建网络模型,选择深度学习框架,指定网络训练目标函数和优化器,进行相似度学习;
步骤3,进行网络模型训练与测试。
2.根据权利要求1所述的一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,所述步骤2的具体步骤为:
步骤2.1,网络模型结构包括权值共享的双分支网络的左分支卷积神经网络和右分支卷积神经网络以及双通道图像输入的双通道网络、融合层和相似度学习网络;
步骤2.2,将步骤1构成的图像对(X1,X2)中的输入图像X1和输入图像X2分别输入到步骤2.1网络模型的左分支卷积神经网络和右分支卷积神经网络中,分别提取对应的单通道图像特征,将步骤1构成的图像对(X1,X2)输入到经步骤2.1网络模型的双通道网络中,提取双通道图像融合特征;
步骤2.3,将步骤2.2提取的单通道图像特征和双通道图像融合特征在融合层进行特征融合,得到融合特征;
步骤2.4,将步骤2.3得到的融合特征直接输入至相似度学习网络进行图像相似度学习。
3.根据权利要求2所述的一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,选择的深度学习框架为TensorFlow,API为Keras。
4.根据权利要求2所述的一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,所述卷积神经网络均由两层卷积层和两层池化层构成且卷积层与池化层交替分布。
5.根据权利要求2所述的一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,所述相似度学习网络的第一层及第二层均为全连接层,第三层由全连接层和Softmax分类器组成。
8.根据权利要求1所述的一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,所述步骤2中,优化器采用Adam进行网络优化。
9.根据权利要求1所述的一种提取图像多分辨率特征的图像相似度学习方法,其特征在于,所述步骤3具体步骤为:根据步骤1划分的训练集和测试集,设置网络训练参数,包括训练集的大小、卷积神经网络的卷积核大小、最大值池化、三层全连接层的输出、网络优化算法、学习率大小、权值衰减及训练批次,采用设置后的参数进行训练与测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910964570.5A CN110781928B (zh) | 2019-10-11 | 2019-10-11 | 一种提取图像多分辨率特征的图像相似度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910964570.5A CN110781928B (zh) | 2019-10-11 | 2019-10-11 | 一种提取图像多分辨率特征的图像相似度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781928A CN110781928A (zh) | 2020-02-11 |
CN110781928B true CN110781928B (zh) | 2023-04-07 |
Family
ID=69385076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910964570.5A Active CN110781928B (zh) | 2019-10-11 | 2019-10-11 | 一种提取图像多分辨率特征的图像相似度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781928B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509862B (zh) * | 2018-03-09 | 2022-03-25 | 华南理工大学 | 抗角度与遮挡干扰的快速人脸识别方法 |
CN111462009B (zh) * | 2020-03-31 | 2023-04-07 | 上海大学 | 基于分割矩形区域相似度的出血点预测方法 |
CN113537446B (zh) * | 2020-04-17 | 2024-07-12 | 富泰华工业(深圳)有限公司 | 深度学习算法的选择方法及深度学习算法的选择装置 |
CN112115824B (zh) * | 2020-09-07 | 2024-06-11 | 北京豆牛网络科技有限公司 | 果蔬检测方法、装置、电子设备以及计算机可读介质 |
CN114596236A (zh) * | 2020-12-04 | 2022-06-07 | 国网智能科技股份有限公司 | 一种密闭腔体低照度图像增强方法及*** |
CN112686157A (zh) * | 2020-12-30 | 2021-04-20 | 上海书山智能科技有限公司 | 一种基于深度学习的图书定位和识别方法 |
CN113723398B (zh) * | 2021-07-20 | 2023-04-18 | 陕西西宇无损检测有限公司 | 一种工业射线底片的假片识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292333B (zh) * | 2017-06-05 | 2019-11-29 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
CN107273872B (zh) * | 2017-07-13 | 2020-05-05 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
CN108932314A (zh) * | 2018-06-21 | 2018-12-04 | 南京农业大学 | 一种基于深度哈希学习的菊花图像内容检索方法 |
CN109508655B (zh) * | 2018-10-28 | 2023-04-25 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN109727246B (zh) * | 2019-01-26 | 2022-05-13 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
-
2019
- 2019-10-11 CN CN201910964570.5A patent/CN110781928B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110781928A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781928B (zh) | 一种提取图像多分辨率特征的图像相似度学习方法 | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN111523410B (zh) | 一种基于注意力机制的视频显著性目标检测方法 | |
CN108830157B (zh) | 基于注意力机制和3d卷积神经网络的人体行为识别方法 | |
CN108520535B (zh) | 基于深度恢复信息的物体分类方法 | |
CN106897714B (zh) | 一种基于卷积神经网络的视频动作检测方法 | |
CN111553193A (zh) | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 | |
CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN108520203B (zh) | 基于融合自适应多***框与十字池化特征的多目标特征提取方法 | |
CN113408492A (zh) | 一种基于全局-局部特征动态对齐的行人重识别方法 | |
CN110503113B (zh) | 一种基于低秩矩阵恢复的图像显著性目标检测方法 | |
CN111414875B (zh) | 基于深度回归森林的三维点云头部姿态估计*** | |
CN113139501B (zh) | 一种联合局部区域检测与多级特征抓取的行人多属性识别方法 | |
CN116052218B (zh) | 一种行人重识别方法 | |
CN113850243A (zh) | 模型训练、人脸识别方法、电子设备及存储介质 | |
CN113920472A (zh) | 一种基于注意力机制的无监督目标重识别方法及*** | |
CN115116139A (zh) | 基于图卷积网络的多粒度人体动作分类方法 | |
CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
Liu et al. | Weighted sequence loss based spatial-temporal deep learning framework for human body orientation estimation | |
CN116645562A (zh) | 一种细粒度伪造图像的检测方法及其模型训练方法 | |
CN116311504A (zh) | 一种小样本行为识别方法、***及设备 | |
CN115527275A (zh) | 基于P2CS_3DNet的行为识别方法 | |
CN111209809B (zh) | 一种基于暹罗网络的多输入跨视角步态识别方法及装置 |
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 |