CN112149643A - 基于多级注意力机制的面向无人机平台的车辆重识别方法 - Google Patents
基于多级注意力机制的面向无人机平台的车辆重识别方法 Download PDFInfo
- Publication number
- CN112149643A CN112149643A CN202011238295.8A CN202011238295A CN112149643A CN 112149643 A CN112149643 A CN 112149643A CN 202011238295 A CN202011238295 A CN 202011238295A CN 112149643 A CN112149643 A CN 112149643A
- Authority
- CN
- China
- Prior art keywords
- features
- branch
- global
- vehicle
- attention
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011176 pooling Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 241000251730 Chondrichthyes Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement 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
- 238000010606 normalization 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多级注意力机制的面向无人机平台的车辆重识别方法,属于车辆重识别领域。使用3个三个支路,全局支路、自下而上注意力支路和自顶而下注意力支路;全局支路输出2048维全局特征,自下而上注意力支路输出10240维局部特征,自顶而下注意力支路输出2048维局部特征,将三个支路得到的特征拼接起来,作为最终的特征输出。通过多级注意力机制,有效的提取车辆辨识性区域的局部特征的同时,利用自下而上的注意力机制提取了更有效的车辆全局特征,通过结合多种注意力机制下的特征,对目标实例进行更有效的特征描述。
Description
技术领域
本发明属基于车辆重识别领域,具体为结合自顶之下以及自下而上两种注意力机制的车辆重识别***。
背景技术
随着无人机技术的不断发展,基于无人机航拍的车辆检索能够有效地帮助地面监管人员搜索到指定车辆目标。在刑事侦查、交通指挥等多个领域都有着潜在的应用价值。然而,受到无人机飞行高度、拍摄角度、光照强度等多种因素的影响,使得面向无人机平台的车辆重识别任务具有较大的复杂性。
现有的车辆重识别方法往往都是针对监控视频图像设计的,通常依赖于车牌,车标等细粒度的特征辅助识别。然而,在基于无人机航拍图像的车辆重识别任务,受飞行高度的影响,待识别图像像素较低,无法利用诸如车牌和车标等显著特征辅助识别车辆目标。与此同时,一些基于姿态对齐的车辆重识别方法,也难以处理无人机航拍图像中复杂变化的拍摄视角。
因此,针对上述问题本发明需要更多的关注车辆的辨识性区域,并利用辨识性区域辅助全局特征辨别车辆目标,同时提出一种有效的车辆姿态对齐方法。
发明内容
要解决的技术问题
为了解决面向无人机平台的车辆重识别任务中的待识别图像清晰度不足,目标对象视角变化复杂的问题,本发明提供了一种基于多级注意力机制的车辆重识别方法。
技术方案
一种基于多级注意力机制的面向无人机平台的车辆重识别方法,其特征在于步骤如下:
步骤1:将输入图像的尺寸调整到352×352;分别输入到全局支路、自下而上注意力机制支路和自顶而下注意力机制支路;
步骤2:全局支路:将调整后的图像输入主干网络得到了输入图像的2048×11×11的特征,对2048×11×11维特征进行全局平均池化,得到2048维的全局特征;所述的主干网络为Resnet50网络去掉最后一层全连接层;
步骤3:自下而上注意力机制支路:通过训练好的detector模型提取输入图像中属于五种类别的辨识性区域的候选框,通过对全局特征中候选框区域加权,得到了5种辨识性区域的2048×11×11的局部特征,并将其拼接起来,经过全局池化,得到最终的10240维局部特征;
步骤4:自顶而下注意力机制支路:通过使用四向池化操作,提取车辆隶属不同方向的2048×11×11的特征,并通过一组可训练的权重矩阵对这些特征进行加权求和,得到最终的2048维局部特征;
步骤5:通过将三支路特征拼接起来,得到最终14336维输出;
步骤6:利用最终输出构建距离矩阵,通过在被查询集和查询集中利用欧氏距离进行相似性匹配,得到最终的识别结果。
步骤1中采用双线性插值方法调整图像的尺寸。
有益效果
本发明提出的一种基于多级注意力机制的面向无人机平台的车辆重识别方法,可以通过多级注意力机制,有效的提取车辆辨识性区域的局部特征的同时,利用自下而上的注意力机制提取了更有效的车辆全局特征,通过结合多种注意力机制下的特征,对目标实例进行更有效的特征描述。
附图说明
图1本发明方法结构图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
如图1所示,本发明的主要结构可以分为三个支路。全局支路是一个多目标任务模型,其主干网络是在ImageNet上预训练的ResNet-50。在此支路中,本发明通过训练用于重识别,ID分类和属性分类的多目标模型来充分利用丰富的注释。此外,本发明在自下而上注意力支路中,使用大量标注的辨识性区域数据训练了detector模型作为辨识性区域检测器。本发明利用该训练好的监测器检测输入图像的辨识性区域并构造一系列的掩膜。通过利用这些掩膜值,本发明使用了掩膜平均池化来提取属于特定辨识性区域(车辆内饰,天窗,鲨鱼鳍,行李架和其他)的五个局部特征。之后,本发明将这些局部特征与从全局支路提取的特征求和,并将它们连接在一起作为自下而上注意力支路的特征输出。在自顶而下注意力支路中,本发明使用了自顶而下的注意力机制,该机制使用四向池化提取四向特征。提取这些四向特征后,本发明利用一组可学习的矢量β=(b1;b2;b3;b4)对四向特征进行加权求和,并将其作为本支路的最终输出特征。最终本发明通过将三个支路得到的特征拼接起来,作为最终的特征输出。
该检索方法有以下主要步骤:
(1)提取图像经过骨干网络(Resnet50)后的特征图(feature map)利用对Fg进行平均池化和批处理归一化后的卷积特征进行多目标优化,包括检索,ID分类,颜色,车辆类型和属性分类。分别利用三元组损失函数、交叉熵损失函数和双线***叉熵损失函数优化不同的任务。
(2)为了区分相似颜色或类型的车辆,本发明使用标注的辨识性区域训练基于YOLOv2的辨识性区域检测器。本发明单独训练该探测器。同时,本发明将所有辨识性区域分为五类(车辆内饰,天窗,行李架,鲨鱼鳍和其他区域)。对于不同类别的辨识性区域,本发明强制检测器在每个图像中提取不同数量的边界框。在实际执行时,本发明在每个图像中提取了3个标注车辆内饰和其他区域的边界框,2个标注行李架的边界框,1个标注天窗和鲨鱼鳍的边界框。
(3)同一颜色或类型的车辆之间的细微差异主要发生在车辆的辨识性区域附近。在这种情况下,本发明通过五个掩膜提取属于特定辨识性区域的五个局部特征(车辆内饰,天窗,鲨鱼鳍,行李架等)。这些掩膜是由辨识性区域检测器的检测结果生成的。本发明模型中的骨干网是ResNet-50,输入大小为352×352,输出特征图的大小为2048×11×11。因此,掩膜也被设计为11×11的尺寸,以与特征尺寸统一。本发明对从全局分支生成的特征使用Masked Average Pooling(MAP),以计算五个局部特征,其计算公式为:
其中Mi表示特定辨识性区域的掩码;F表示从全局分支生成的特征,(j;k)表示掩码和全局特征的像素索引。
(4)通过这种操作,本发明得到了大小为2048的五个局部特征,它们分别属于各个辨识性区域。为了衡量每个局部特征的效果,本发明使用这5个局部特征来训练可学习的向量α=(a1,a2,…,a5),并将α与这些局部特征相乘。之后,本发明将这些局部特征与从全局分支生成的特征相加。最后,本发明将所有这些特征连接在一起,并使用最终特征进行距离和损失计算。
(5)一般图像中车辆的朝向总在四个固定方向上(水平,垂直,对角线和反对角线),因此,本发明使用四向平均池化来提取不同的方向特征。在应用中,水平和垂直平均池化用于计算同一行或同一列中的特征的均值。对角线和反对角线平均池化计算同一对角线或反对角线中的特征的平均值。本发明模型中的主干网络是ResNet-50,输入大小为352×352,输出特征图的大小为2048×11×11。经过水平和垂直平均池化后,本发明获得了水平特征和垂直特征,大小为2048×11。此外,在对角线和反对角线平均池化之后,本发明得到了对角线特征和反对角线特征,大小为2048×21。进而本发明使用尺寸为64×2048的所有这些四重方向特征来训练可学习的向量β=(b1,b2,b3,…,b64)。本发明使用β来衡量属于不同方向的车辆的置信度。最后,本发明使用β对这些四向特征加权求和作为输出。
(6)在训练时,本发明对三个支路的特征分别使用交叉熵损失函数和三元组损失函数进行训练;在测试时,本发明通过将自顶而下注意力支路的特征和自下而上注意力支路的特征进行融合后,用于距离计算。
本发明提供了一种基于自顶之下以及自下而上的两种注意力机制相结合的车辆重识别方法,具体过程如下:
1、全局分类支路训练
对于一张输入图像,通过双线性插值等方法,将图像采样到352×352的大小。将调整后的图像输入主干网络中。在具体操作中,本发明将Resnet50网络去掉最后一层全连接层作为主干网络。通过主干网络,本发明得到了输入图像的2048×11×11的特征。通过在11×11的维度上进行全局平均池化后,本发明得到图像的2048维的特征,进而本发明使用交叉熵损失函数进行ID、车辆类别和车辆颜色分类训练,使用三元组损失函数进行车辆重识别训练,利用二值交叉熵损失函数进行车辆属性分类训练。利用随机梯度下降策略优化网络,更新参数。
2、辨识性区域检测器预训练
对于区分部分检测的实验,使用预训练的darknet在开源的VRAI数据集上重新训练YOLOv2模型。采用多尺度训练策略,在320到608的范围内调整输入图像的大小。将学习率设置为0.001,然后在第10和第15个时代将其减小至原来的十分之一。Mini-batch大小设置为72,Momentum设置为0.9,Weight decay为0.0005。
3、数据增强及环境配置
在实验过程中,本发明使用ImageNet上经过预训练的Resnet-50作为主干网络。每个图像采样到352×352。在训练阶段,本发明将每个图像以20%的概率顺时针旋转90,180或270度,并以50%的概率将其水平翻转。三元组损失的margin设置为0.3,batch大小设置为72=18×4,每个batch 18个ID,每个ID选取4张图像。本发明使用Adam优化器,初始学习率为10-3,学习率从第151个epoch开始衰减。所有模型都经过300个epoch的训练。为了提高性能,本发明结合使用BatchHard Triplet损失和ID分类损失来训练模型。在实验中,本发明使用两个NVIDIA1080Ti GPU用于模型训练。
4、自下而上注意力机制支路训练
通过在全局支路得到的2048×11×11的图像特征,本发明通过辨识性区域检测器提取的辨识性区域的边界框,生成掩膜。本发明利用一个Masked Average Pooling操作提取属于五种辨识性区域(车辆内饰、行李架、备胎、鲨鱼鳍、其它)的2048维局部特征。本发明通过这些局部特征训练一组可学习的参数β,通过β对所求得的分属不同辨识性区域的局部特征进行加权,并将它们拼接到一起用于距离和损失计算。针对这一支路,本发明使用三元组损失函数进行重识别任务训练,同时使用交叉熵损失函数进行车辆ID分类实验。
5、自顶而下注意力机制支路训练
通过在全局支路得到的2048×11×11的图像特征,本发明利用一组四向池化操作,提取车辆隶属不同方向的特征,并利用注意力机制,计算车辆隶属不同方向的置信度分数α。而后本发明利用α对隶属不同方向的特征进行加权求和作为最终用于距离和损失计算的特征。针对这一支路,本发明使用三元组损失函数进行重识别任务训练,同时使用交叉熵损失函数进行车辆ID分类实验。
8、模型应用
在这一阶段,本发明不对输入的数据进行数据增强操作,只将输入的数据采样到352×352的图像大小。同时,本发明固定模型参数,不再通过随机梯度下降算法进行网络参数更新,仅仅利用网络作为图像特征的提取器。在实际推理过程中,本发明将自顶而下支路和自下而上支路提取的特征拼接到一起作为最终的模型特征输出F。针对查询样例,经过模型特征推理后所得特征Fq,本发明将图像库中所有图像的特征提取出来之后储存为特征序列{F1,...,Fm},而后计算Fq和图像库中所有图像特征的欧氏距离:
d=||Fq-Fi||2 i=1,2,3,...,m
进而本发明得到距离序列D=[d1,d2,...,dm],而后本发明通过距离对D进行重排序,本发明取与查询样例最相近的L张图像,如果这些图像中存在与查询样例ID相同的图像则认为此次查询成功。
以上仅为本发明的较佳实施示例而已,并不用于限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,均在本发明的保护范围之内。
Claims (2)
1.一种基于多级注意力机制的面向无人机平台的车辆重识别方法,其特征在于步骤如下:
步骤1:将输入图像的尺寸调整到352×352;分别输入到全局支路、自下而上注意力机制支路和自顶而下注意力机制支路;
步骤2:全局支路:将调整后的图像输入主干网络得到了输入图像的2048×11×11的特征,对2048×11×11维特征进行全局平均池化,得到2048维的全局特征;所述的主干网络为Resnet50网络去掉最后一层全连接层;
步骤3:自下而上注意力机制支路:通过训练好的detector模型提取输入图像中属于五种类别的辨识性区域的候选框,通过对全局特征中候选框区域加权,得到了5种辨识性区域的2048×11×11的局部特征,并将其拼接起来,经过全局池化,得到最终的10240维局部特征;
步骤4:自顶而下注意力机制支路:通过使用四向池化操作,提取车辆隶属不同方向的2048×11×11的特征,并通过一组可训练的权重矩阵对这些特征进行加权求和,得到最终的2048维局部特征;
步骤5:通过将三支路特征拼接起来,得到最终14336维输出;
步骤6:利用最终输出构建距离矩阵,通过在被查询集和查询集中利用欧氏距离进行相似性匹配,得到最终的识别结果。
2.根据权利要求1所述的一种基于多级注意力机制的面向无人机平台的车辆重识别方法,其特征在于步骤1中采用双线性插值方法调整图像的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238295.8A CN112149643B (zh) | 2020-11-09 | 2020-11-09 | 基于多级注意力机制的面向无人机平台的车辆重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238295.8A CN112149643B (zh) | 2020-11-09 | 2020-11-09 | 基于多级注意力机制的面向无人机平台的车辆重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149643A true CN112149643A (zh) | 2020-12-29 |
CN112149643B CN112149643B (zh) | 2022-02-22 |
Family
ID=73887229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238295.8A Active CN112149643B (zh) | 2020-11-09 | 2020-11-09 | 基于多级注意力机制的面向无人机平台的车辆重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149643B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743497A (zh) * | 2021-09-02 | 2021-12-03 | 南京理工大学 | 基于注意力机制与多尺度特征的细粒度识别方法及*** |
CN113792686A (zh) * | 2021-09-17 | 2021-12-14 | 中南大学 | 基于视觉表征跨传感器不变性的车辆重识别方法 |
CN114220053A (zh) * | 2021-12-15 | 2022-03-22 | 北京建筑大学 | 一种基于车辆特征匹配的无人机视频车辆检索方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948587A (zh) * | 2019-03-29 | 2019-06-28 | 清华大学 | 基于高判别力特征挖掘的车辆再识别方法及装置 |
CN110070073A (zh) * | 2019-05-07 | 2019-07-30 | 国家广播电视总局广播电视科学研究院 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
CN110084139A (zh) * | 2019-04-04 | 2019-08-02 | 长沙千视通智能科技有限公司 | 一种基于多分支深度学习的车辆重识别方法 |
CN110110642A (zh) * | 2019-04-29 | 2019-08-09 | 华南理工大学 | 一种基于多通道注意力特征的行人重识别方法 |
CN110135243A (zh) * | 2019-04-02 | 2019-08-16 | 上海交通大学 | 一种基于两级注意力机制的行人检测方法及*** |
CN110516583A (zh) * | 2019-08-21 | 2019-11-29 | 中科视语(北京)科技有限公司 | 一种车辆重识别方法、***、设备及介质 |
CN110795580A (zh) * | 2019-10-23 | 2020-02-14 | 武汉理工大学 | 基于时空约束模型优化的车辆重识别方法 |
CN111008618A (zh) * | 2019-10-29 | 2020-04-14 | 黄山学院 | 一种自注意力深度学习端到端的行人再识别方法 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、***、介质、视频监控*** |
CN111694974A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种融合注意力机制的深度哈希车辆图像检索方法 |
CN111814621A (zh) * | 2020-06-29 | 2020-10-23 | 中国科学院合肥物质科学研究院 | 一种基于注意力机制的多尺度车辆行人检测方法及装置 |
-
2020
- 2020-11-09 CN CN202011238295.8A patent/CN112149643B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948587A (zh) * | 2019-03-29 | 2019-06-28 | 清华大学 | 基于高判别力特征挖掘的车辆再识别方法及装置 |
CN110135243A (zh) * | 2019-04-02 | 2019-08-16 | 上海交通大学 | 一种基于两级注意力机制的行人检测方法及*** |
CN110084139A (zh) * | 2019-04-04 | 2019-08-02 | 长沙千视通智能科技有限公司 | 一种基于多分支深度学习的车辆重识别方法 |
CN110110642A (zh) * | 2019-04-29 | 2019-08-09 | 华南理工大学 | 一种基于多通道注意力特征的行人重识别方法 |
CN110070073A (zh) * | 2019-05-07 | 2019-07-30 | 国家广播电视总局广播电视科学研究院 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
CN110516583A (zh) * | 2019-08-21 | 2019-11-29 | 中科视语(北京)科技有限公司 | 一种车辆重识别方法、***、设备及介质 |
CN110795580A (zh) * | 2019-10-23 | 2020-02-14 | 武汉理工大学 | 基于时空约束模型优化的车辆重识别方法 |
CN111008618A (zh) * | 2019-10-29 | 2020-04-14 | 黄山学院 | 一种自注意力深度学习端到端的行人再识别方法 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、***、介质、视频监控*** |
CN111694974A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种融合注意力机制的深度哈希车辆图像检索方法 |
CN111814621A (zh) * | 2020-06-29 | 2020-10-23 | 中国科学院合肥物质科学研究院 | 一种基于注意力机制的多尺度车辆行人检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
PENG WANG等: "《Vehicle Re-identification in Aerial Imagery : Dataset and Approach》", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION ( ICCV )》 * |
PIRAZH KHORRAMSHAHI等: "《 A Dual-Path Model With Adaptive Attention for Vehicle Re-Identification》", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
窦鑫泽等: "《基于高置信局部特征的车辆重识别优化算法》", 《北京航空航天大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743497A (zh) * | 2021-09-02 | 2021-12-03 | 南京理工大学 | 基于注意力机制与多尺度特征的细粒度识别方法及*** |
CN113792686A (zh) * | 2021-09-17 | 2021-12-14 | 中南大学 | 基于视觉表征跨传感器不变性的车辆重识别方法 |
CN113792686B (zh) * | 2021-09-17 | 2023-12-08 | 中南大学 | 基于视觉表征跨传感器不变性的车辆重识别方法 |
CN114220053A (zh) * | 2021-12-15 | 2022-03-22 | 北京建筑大学 | 一种基于车辆特征匹配的无人机视频车辆检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112149643B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149643B (zh) | 基于多级注意力机制的面向无人机平台的车辆重识别方法 | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
Lu et al. | Gated and axis-concentrated localization network for remote sensing object detection | |
CN109784203B (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
CN108960184B (zh) | 一种基于异构部件深度神经网络的行人再识别方法 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN113361464B (zh) | 一种基于多粒度特征分割的车辆重识别方法 | |
Vaquero et al. | Dual-branch CNNs for vehicle detection and tracking on LiDAR data | |
Shujuan et al. | Real-time vehicle detection using Haar-SURF mixed features and gentle AdaBoost classifier | |
CN110956158A (zh) | 一种基于教师学生学习框架的遮挡行人再标识方法 | |
CN110245587B (zh) | 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法 | |
CN114419151A (zh) | 一种基于对比学习的多目标跟踪方法 | |
Chen et al. | Learning capsules for vehicle logo recognition | |
CN111985367A (zh) | 一种基于多尺度特征融合的行人重识别特征提取方法 | |
CN113205026A (zh) | 一种基于Faster RCNN深度学习网络改进的车型识别方法 | |
Han et al. | Research on remote sensing image target recognition based on deep convolution neural network | |
Liu et al. | Density saliency for clustered building detection and population capacity estimation | |
Katper et al. | Deep neural networks combined with STN for multi-oriented text detection and recognition | |
Kim et al. | Vehicle color recognition via representative color region extraction and convolutional neural network | |
Zhang et al. | Traffic Sign Detection and Recognition Based onDeep Learning. | |
Zhang et al. | Small target detection based on squared cross entropy and dense feature pyramid networks | |
Kheder et al. | Transfer learning based traffic light detection and recognition using CNN inception-V3 model | |
CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及*** | |
Yang et al. | Real-time pedestrian detection for autonomous driving | |
Zhang et al. | ROI-wise Reverse Reweighting Network for Road Marking Detection. |
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 |