CN111582126A - 基于多尺度行人轮廓分割融合的行人重识别方法 - Google Patents
基于多尺度行人轮廓分割融合的行人重识别方法 Download PDFInfo
- Publication number
- CN111582126A CN111582126A CN202010360873.9A CN202010360873A CN111582126A CN 111582126 A CN111582126 A CN 111582126A CN 202010360873 A CN202010360873 A CN 202010360873A CN 111582126 A CN111582126 A CN 111582126A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- scale
- features
- network
- convolution
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000001174 ascending effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000011800 void material Substances 0.000 claims description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Social Psychology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多尺度行人轮廓分割融合的行人重识别方法。本发明首先进行数据预处理;其次提取图像的全局特征和行人的轮廓特征,并将这两个特征进行融合;然后采用标签平滑损失函数对行人重识别网络进行训练,使得网络参数最优;最后针对行人重识别数据集中包含的查询集和候选集,计算查询集中指定对象和候选集中的每一个对象的欧式距离,接着对所计算得到的距离进行升序排序,获得行人重识别的排序结果。本发明去除了行人服装上的特征,也学习了行人的人体的轮廓用来识别行人,结合全局特征,进行行人重识别。行人服装上无论更换与否,本发明都能比较好地进行重识别。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于多尺度行人轮廓分割融合的行人重识别方法。
背景技术
行人重识别也称行人再识别(Re-ID),其实就是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,具体是是指从不同摄像机捕获的行人图像中识别这个行人的身份。给定包含目标行人(查询)的图像,ReID***尝试从大量行人图像(图库)中搜索包括相同行人的图像,广泛被认为是一个图像检索的子问题;给定一个监控下的行人图像,检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限,并可与行人检测/行人跟踪技术相结合,可广泛应用于视频监控、安防等领域。ReID因其广泛的应用潜力,例如视频监控和交叉相机跟踪而受到学术界和工业界的极大关注。
ReID这两年发展得很快,但是比起人脸技术而言,落地的应用非常少。其实并不是ReID的模型不够好,不是数据集上准确度不够高,而是与人脸任务相比较,ReID的场景更加复杂,而且有一些本质的问题没有解决。由于大量不受控制的变化源,例如姿势和视点的显着变化,照明的复杂变化以及较差的图像质量,ReID仍然是一项非常具有挑战性的任务。
最简单最迫切的遮挡问题和不可见光以及行人服装等更换的问题可以使得几乎使得现有所有的ReID模型变得效果极差,可以说是失效。
发明内容
针对上述问题以及当前技术的不足,主要是针对行人重识别技术对于换衣行人识别(换衣行人指行人更换衣服后的识别)的不足,提供一种多尺度行人轮廓分割融合的行人重识别方法。
本发明解决技术问题所采取的技术方案为:
步骤(1)、数据预处理
获取足够数量的样本图像,并对样本图像进行归一化处理,得到数据集。
步骤(2)、提取图像的全局特征和行人的轮廓特征
将数据集输入至行人全局特征提取网络,得到图像的全局特征;
将数据集输入至多尺度行人轮廓分割网络,得到行人的轮廓特征;
所述的多尺度行人轮廓分割网络采用ImageNet上预训练得到的ResNet作为它的主要特征提取网络,并且在此网络基础上,为多尺度的特征学习添加了一个新残差块,这个新残差块使用空洞卷积来替代普通的卷积;
所述的新残差块的顶部采用可获取不同行人人体轮廓尺度信息的空洞空间金字塔池化。
步骤(3)、将全局特征与轮廓特征输入行人重识别网络进行融合。
步骤(4)、采用标签平滑损失函数对行人重识别网络进行训练,使得网络参数最优,具体是:
根据InceptionResNetv2在ImageNet数据库上进行训练得到一个预训练网络,然后将全局特征和轮廓特征融合产生的特征向量输入到标签平滑损失函数中,并利用反向传播算法对行人重识别网络的参数进行训练,直至整个网络收敛。
步骤(5)、针对行人重识别数据集中包含的查询集和候选集,计算查询集中指定对象和候选集中的每一个对象的欧式距离,接着对所计算得到的距离进行升序排序,获得行人重识别的排序结果。
进一步说,步骤(1)中的预处理具体是:设定输入图像尺寸,如果样本图像大于该尺寸,则进行随机裁剪得到;如果样本图像小于该尺寸,则进行等比例放大后再裁剪得到。
进一步说,所述的新残差块的空洞卷积通过深度卷积神经网络控制特征的像素,调节卷积核的视觉域以获取多尺度的信息,每个空洞卷积使用不同的扩张率来捕捉多尺寸的语境信息。
进一步说,所述的空洞空间金字塔池化使用不同的扩张率的空洞卷积来对任意尺度的区域进行分类。
进一步说,所述的空洞空间金字塔池化包括两个部分:多尺度空洞卷积和图像级特征;
所述的多尺度空洞卷积包括,1x1的普通卷积,3x3空洞率为6的空洞卷积,3x3空洞率为12的空洞卷积,3x3空洞率为18的空洞卷积;
所述的图像级特征,对输入在[1,2]维上求均值,经过的普通卷积,再使用线性差值转换到输入图像的大小,最后将四个卷积和图片特征连接起来,再经过一个卷积得到网络的输出。
进一步说,步骤(3)采用按点逐位相加的方式进行全局特征与轮廓特征的融合。
进一步说,步骤(3)中当两个特征具有不同维度时,则通过线性变换转换成同维向量。
本发明的有益效果:
1、去除了行人背景在ReID过程中的影响,并且通过行人人体轮廓对人物进行辨识,这才是最接近人类进行行人识别的过程。
2、去除了行人服装上的特征,这针对现有行人重识别技术对于换衣行人识别的不足比较有效,因为网络不依赖服装上面的服装特征,也学习了行人的人体的轮廓用来识别行人。基于多尺度行人轮廓分割的行人重识别方法的两个分支即可学习到全局特征,也可很好的学习到行人的人体轮廓特征,对于行人重识别***来说,行人服装上无论更换与否,都能比较好地进行重识别。
附图说明
图1为根据本发明的总体结构图;
图2为根据本发明的多尺度行人轮廓分割网络分支的网络结构图;
图3为根据本发明的双分支的重识别网络的结构图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明,该方法一实施例的流程如图1所示。本发明基于行人轮廓分割的行人重识别方法,包括如下步骤:
步骤(1)、获取足够数量的行人样本图像,图像可以从网络下载(Market1501,DukeMTMC-reID,CUHK03),也可以自行拍摄处理;对行人样本图像进行归一化处理,以512×512大小的输入图像为例,如果样本图像大于该尺寸,则进行随机裁剪得到,如果行人样本图像大小比该尺寸小,则进行等比例放大后再裁剪得到。
步骤(2)、提取图像的全局特征和行人的轮廓特征
将数据集输入至行人全局特征提取网络,得到图像的全局特征;
将数据集输入至多尺度行人轮廓分割网络,得到行人的轮廓特征;
两个分支即可学习到图像的全局特征,也可很好的学习到行人的人体轮廓特征。这两个分支针对现有行人重识别技术对于换衣行人识别的不足比较有效,因为网络不依赖服装上面的服装特征,学习了行人的人体的轮廓用来识别行人。对于行人重识别***来说,行人服装上无论更换与否,都能比较好的进行重识别。
如图2所示,多尺度行人轮廓分割网络是一种用于学习多尺度语境特征的网络,该网络是把在ImageNet上预训练得到的ResNet作为它的主要特征提取网络,并且在此网络基础上,它为多尺度的特征学习添加了一个新的残差块,在这个新的残差块使用了空洞卷积301来替代普通的卷积。空洞卷积能够通过深度卷积神经网络控制特征的像素,调节卷积核的视觉域以获取多尺度的信息。
此外,这个残差块内的每个空洞卷积都使用了不同的扩张率来捕捉多尺寸的语境信息,在这个残差块的顶部使用了空洞空间金字塔池化302。空洞空间金字塔池化使用了不同的扩张率的空洞卷积来对任意尺度的区域进行分类,故通过空洞空间金字塔池化结构可以获取不同行人人体轮廓尺度的信息。
空洞空间金字塔池化包括两个部分:多尺度空洞卷积和图像级特征。多尺度空洞卷积包括,1x1的普通卷积,3x3空洞率为6的空洞卷积,3x3空洞率为12的空洞卷积,3x3空洞率为18的空洞卷积;图像级特征,对输入在[1,2]维上求均值,经过的普通卷积,再使用线性差值转换到输入图像的大小,最后将4个卷积和图片特征连接起来,最后再经过一个的卷积得到网络的输出。网络输出的是pixel-wise的softmax,即为:
其中,x为二维平面上的像素位置,ak(x)表示网络最后输出层中像素x对应的第k个通道的值。pk(x)表示像素x属于k类的概率。
与此同时,让多尺度行人轮廓分割分支网络在coco数据集上分割数据集的大量标注信息进行训练分割行人轮廓的预训练模型,使得在基于多尺度行人轮廓分割融合的行人重识别方法中,将行人图片输入到多尺度行人轮廓分割分支中可得到行人的轮廓图。
步骤(3)、行人全局特征提取网络和多尺度行人轮廓分割网络最后再通过如图3所示的结构进行融合。图3所示网络结构为现有技术,故没有详细阐述与表达。行人全局特征提取分支网络和多尺度行人轮廓分割分支网络这两个分支均通过InceptionResNetv2作为骨干网进行训练,并且使用InceptionResNetv2在ImageNet数据库上进行训练得到一个预训练网络。InceptionResNetv2网络通过将不同尺度的特征进行融合,故采用该骨干网可以和多尺度行人轮廓分割分支网络都采用不同尺寸的特征融合,可以比较好的前后对应,可以得到准确率的提升。
InceptionResNetv2是通过1xn卷积核nx1卷积来替代nxn卷积,从而有效地降低计算量,通过使用多个3x3卷积来代替5x5卷积和7x7卷积来降低计算量,这可以相对多尺度行人轮廓分割融合行人重识别网络的速度,并且在InceptionResNetv2中还将ResNet与inception的网络结构来进行融合,多尺度行人轮廓分割分支网络中也采用了ResNet,两者相对应从而可以进一步提升准确率。
根据InceptionResNetv2在ImageNet数据库上进行训练得到一个预训练网络,然后全局特征和轮廓特征用按点逐位相加的方式进行融合得到一个特征向量。把该特征向量输入到交叉熵损失函数中,并利用反向传播算法对定义的多尺度行人轮廓分割融合行人重识别网络参数进行训练,使得网络模型的参数最优。
步骤(4)、模型训练采用的是标签平滑损失,行人重识别的分类常使用交叉熵损失函数:
其中N为总的行人数,是行人标签。当输入图像i时,yi是图像中行人的标签,若yi为类别i,其值为1,否则为0。pi是网络预测该行人属于标签i行人的概率。引入标签平滑损失函数的原因是交叉熵损失函数过度依赖正确的行人标签,容易造成训练过拟合的现象,为了避免训练过程出现过拟合现象。在行人训练样本中可能会存在少量的错误标签,这些错误标签会在一定程度上对预测结果产生一定影响,标签平滑损失函数还可用来防止模型在训练过程中过度依赖标签。故行人标签平滑处理就是在训练过程中,给标签设置一个错误率ε,以1-ε作为真实标签进行训练
步骤(5)、测试结果
针对行人重识别数据集中包含的查询集和候选集,计算查询集中指定对象和候选集中的每一个对象的欧式距离,接着对所计算得到的距离进行升序排序,获得行人重识别的排序结果,获得行人重识别结果。
以上结合附图对本发明的具体实施方式作了说明,但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动都是本发明的保护范围。
Claims (7)
1.基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于该方法包括如下步骤:
步骤(1)、数据预处理
获取足够数量的样本图像,并对样本图像进行归一化处理,得到数据集;
步骤(2)、提取图像的全局特征和行人的轮廓特征
将数据集输入至行人全局特征提取网络,得到图像的全局特征;
将数据集输入至多尺度行人轮廓分割网络,得到行人的轮廓特征;
所述的多尺度行人轮廓分割网络采用ImageNet上预训练得到的ResNet作为它的主要特征提取网络,并且在此网络基础上,为多尺度的特征学习添加了一个新残差块,这个新残差块使用空洞卷积来替代普通的卷积;
所述的新残差块的顶部采用可获取不同行人人体轮廓尺度信息的空洞空间金字塔池化;
步骤(3)、将全局特征与轮廓特征输入行人重识别网络进行融合;
步骤(4)、采用标签平滑损失函数对行人重识别网络进行训练,使得网络参数最优,具体是:
根据InceptionResNetv2在ImageNet数据库上进行训练得到一个预训练网络,然后将全局特征和轮廓特征融合产生的特征向量输入到标签平滑损失函数中,并利用反向传播算法对行人重识别网络的参数进行训练,直至整个网络收敛;
步骤(5)、针对行人重识别数据集中包含的查询集和候选集,计算查询集中指定对象和候选集中的每一个对象的欧式距离,接着对所计算得到的距离进行升序排序,获得行人重识别的排序结果。
2.根据权利要求1所述的基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于:步骤(1)中的预处理具体是:设定输入图像尺寸,如果样本图像大于该尺寸,则进行随机裁剪得到;如果样本图像小于该尺寸小,则进行等比例放大后再裁剪得到。
3.根据权利要求1所述的基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于:所述的新残差块的空洞卷积通过深度卷积神经网络控制特征的像素,调节卷积核的视觉域以获取多尺度的信息,每个空洞卷积使用不同的扩张率来捕捉多尺寸的语境信息。
4.根据权利要求1所述的基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于:所述的空洞空间金字塔池化使用不同的扩张率的空洞卷积来对任意尺度的区域进行分类。
5.根据权利要求4所述的基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于:所述的空洞空间金字塔池化包括两个部分:多尺度空洞卷积和图像级特征;
所述的多尺度空洞卷积包括,1x1的普通卷积,3x3空洞率为6的空洞卷积,3x3空洞率为12的空洞卷积,3x3空洞率为18的空洞卷积;
所述的图像级特征,对输入在[1,2]维上求均值,经过的普通卷积,再使用线性差值转换到输入图像的大小,最后将四个卷积和图片特征连接起来,再经过一个卷积得到网络的输出。
6.根据权利要求1所述的基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于:步骤(3)采用按点逐位相加的方式进行全局特征与轮廓特征的融合。
7.根据权利要求6所述的基于多尺度行人轮廓分割融合的行人重识别方法,其特征在于:步骤(3)中当两个特征具有不同维度时,则通过线性变换转换成同维向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360873.9A CN111582126B (zh) | 2020-04-30 | 2020-04-30 | 基于多尺度行人轮廓分割融合的行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360873.9A CN111582126B (zh) | 2020-04-30 | 2020-04-30 | 基于多尺度行人轮廓分割融合的行人重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582126A true CN111582126A (zh) | 2020-08-25 |
CN111582126B CN111582126B (zh) | 2024-02-27 |
Family
ID=72114476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360873.9A Active CN111582126B (zh) | 2020-04-30 | 2020-04-30 | 基于多尺度行人轮廓分割融合的行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582126B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465834A (zh) * | 2020-11-26 | 2021-03-09 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种血管分割方法及装置 |
CN113255630A (zh) * | 2021-07-15 | 2021-08-13 | 浙江大华技术股份有限公司 | 一种运动目标识别训练方法、运动目标识别方法及装置 |
CN114626470A (zh) * | 2022-03-18 | 2022-06-14 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
CN114693862A (zh) * | 2020-12-29 | 2022-07-01 | 北京万集科技股份有限公司 | 三维点云数据模型重建方法、目标重识别方法及装置 |
CN114758362A (zh) * | 2022-06-15 | 2022-07-15 | 山东省人工智能研究院 | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 |
CN115738747A (zh) * | 2022-11-29 | 2023-03-07 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271895A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 基于多尺度特征学习和特征分割的行人重识别方法 |
CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
CN110084108A (zh) * | 2019-03-19 | 2019-08-02 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于gan神经网络的行人重识别***及方法 |
CN110084156A (zh) * | 2019-04-12 | 2019-08-02 | 中南大学 | 一种步态特征提取方法及基于步态特征的行人身份识别方法 |
CN110717411A (zh) * | 2019-09-23 | 2020-01-21 | 湖北工业大学 | 一种基于深层特征融合的行人重识别方法 |
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 |
CN110969087A (zh) * | 2019-10-31 | 2020-04-07 | 浙江省北大信息技术高等研究院 | 一种步态识别方法及*** |
CN111027372A (zh) * | 2019-10-10 | 2020-04-17 | 山东工业职业学院 | 一种基于单目视觉与深度学习的行人目标检测识别方法 |
-
2020
- 2020-04-30 CN CN202010360873.9A patent/CN111582126B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271895A (zh) * | 2018-08-31 | 2019-01-25 | 西安电子科技大学 | 基于多尺度特征学习和特征分割的行人重识别方法 |
CN109325534A (zh) * | 2018-09-22 | 2019-02-12 | 天津大学 | 一种基于双向多尺度金字塔的语义分割方法 |
CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
CN110084108A (zh) * | 2019-03-19 | 2019-08-02 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于gan神经网络的行人重识别***及方法 |
CN110084156A (zh) * | 2019-04-12 | 2019-08-02 | 中南大学 | 一种步态特征提取方法及基于步态特征的行人身份识别方法 |
CN110717411A (zh) * | 2019-09-23 | 2020-01-21 | 湖北工业大学 | 一种基于深层特征融合的行人重识别方法 |
CN111027372A (zh) * | 2019-10-10 | 2020-04-17 | 山东工业职业学院 | 一种基于单目视觉与深度学习的行人目标检测识别方法 |
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 |
CN110969087A (zh) * | 2019-10-31 | 2020-04-07 | 浙江省北大信息技术高等研究院 | 一种步态识别方法及*** |
Non-Patent Citations (4)
Title |
---|
WU, X. , ET AL.: "Person Re-identification Based on Semantic Segmentation", pages 903 * |
XIE,Y. , ET AL.: "Cross-Camera Person Re-Identification With Body-Guided Attention Network", pages 361 * |
罗晖;芦春雨;郑翔文;: "一种基于多尺度角点检测的语义分割网络", no. 33 * |
陈洪云 等: "融合深度神经网络和空洞卷积的语义图像分割研究", pages 167 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465834A (zh) * | 2020-11-26 | 2021-03-09 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种血管分割方法及装置 |
CN112465834B (zh) * | 2020-11-26 | 2024-05-24 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种血管分割方法及装置 |
CN114693862A (zh) * | 2020-12-29 | 2022-07-01 | 北京万集科技股份有限公司 | 三维点云数据模型重建方法、目标重识别方法及装置 |
CN113255630A (zh) * | 2021-07-15 | 2021-08-13 | 浙江大华技术股份有限公司 | 一种运动目标识别训练方法、运动目标识别方法及装置 |
CN113255630B (zh) * | 2021-07-15 | 2021-10-15 | 浙江大华技术股份有限公司 | 一种运动目标识别训练方法、运动目标识别方法及装置 |
CN114626470A (zh) * | 2022-03-18 | 2022-06-14 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
CN114626470B (zh) * | 2022-03-18 | 2024-02-02 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
CN114758362A (zh) * | 2022-06-15 | 2022-07-15 | 山东省人工智能研究院 | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 |
CN114758362B (zh) * | 2022-06-15 | 2022-10-11 | 山东省人工智能研究院 | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 |
CN115738747A (zh) * | 2022-11-29 | 2023-03-07 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
CN115738747B (zh) * | 2022-11-29 | 2024-01-23 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582126B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582126B (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN110414368B (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN108509859B (zh) | 一种基于深度神经网络的无重叠区域行人跟踪方法 | |
CN111783576B (zh) | 基于改进型YOLOv3网络和特征融合的行人重识别方法 | |
Kim et al. | Multi-task convolutional neural network system for license plate recognition | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
KR101697161B1 (ko) | 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN111178251A (zh) | 一种行人属性识别方法及***、存储介质及终端 | |
Dib et al. | A review on negative road anomaly detection methods | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
CN113221770B (zh) | 基于多特征混合学习的跨域行人重识别方法及*** | |
CN112991280B (zh) | 视觉检测方法、***及电子设备 | |
CN114170549A (zh) | 一种基于深度学习的水面漂浮物检测方法 | |
CN111582154A (zh) | 基于多任务骨架姿态划分部件的行人重识别方法 | |
CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
CN113326738B (zh) | 基于深度网络和字典学习的行人目标检测与重识别方法 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
Zhang et al. | Reading various types of pointer meters under extreme motion blur | |
CN116912670A (zh) | 基于改进yolo模型的深海鱼类识别方法 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
Kim et al. | Development of a real-time automatic passenger counting system using head detection based on deep learning | |
Cheng et al. | Automatic Data Cleaning System for Large-Scale Location Image Databases Using a Multilevel Extractor and Multiresolution Dissimilarity Calculation | |
Pandya et al. | A novel approach for vehicle detection and classification |
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 |