CN112597871B - 基于二阶段聚类的无监督车辆重识别方法、***及存储介质 - Google Patents

基于二阶段聚类的无监督车辆重识别方法、***及存储介质 Download PDF

Info

Publication number
CN112597871B
CN112597871B CN202011500063.5A CN202011500063A CN112597871B CN 112597871 B CN112597871 B CN 112597871B CN 202011500063 A CN202011500063 A CN 202011500063A CN 112597871 B CN112597871 B CN 112597871B
Authority
CN
China
Prior art keywords
cluster
vehicle
clustering
clusters
vehicle type
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
Application number
CN202011500063.5A
Other languages
English (en)
Other versions
CN112597871A (zh
Inventor
郑伟诗
卢少豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202011500063.5A priority Critical patent/CN112597871B/zh
Publication of CN112597871A publication Critical patent/CN112597871A/zh
Application granted granted Critical
Publication of CN112597871B publication Critical patent/CN112597871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于二阶段聚类的无监督车辆重识别方法、***及存储介质。所述方法包括以下步骤：数据收集；预处理；相同车型下的局部聚类；进行簇合并并得到识别结果。本发明提出的二阶段聚类方法充分利用了车辆的特性，从网络上爬取大量的带粗粒度标签的数据，利用这些数据训练出来的分类器可以先将目标数据集的车辆分为N个部分，然后在每个部分单独进行聚类得到簇。第二阶段聚类则将上述得到簇再做一次相同的聚类，用于合并一些相似的簇，由于一开始的分类器并不可靠，合并相似的簇使得之前分错的簇得以合并，使得最终的伪类标更可信，时效性更高，从而达到更好的训练效果。实验结果证明该方法能在目前一些开源数据集中取得最优的水平。

Description

基于二阶段聚类的无监督车辆重识别方法、***及存储介质
技术领域
本发明属于无监督的图片检索技术领域，具体涉及一种基于二阶段聚类的无监督车辆重识别方法、***及存储介质。
背景技术
重识别任务一般应用于跨摄像头的行人再识别，常用于监控场景下。其目前的主流做法一般是用大量带有数据标签的数据训练一个特征提取器，利用特征提取器提取出特征向量，再用类似欧斯距离，余弦距离来度量查询图片与图片库中所有图片的相似度，将相似度大小按倒序排列，排名靠前的说明这张图片与该查询图片的属于同一个人/物的概率越大。与行人不一样的是，每辆车车辆都有一个型号，同一品牌同一车型的车外观上是完全一致的。与本方法最为相近的方法是直接利用基于密度的聚类算法(DBSCAN)生成伪类标的行人重识别方法。
上述现有技术的缺点主要包括两点：
(1)上述方法主要应用于行人重识别中，没有充分利用车辆重识别的特性(利用相同车型外观相同的特点)。
(2)直接使用DBSCAN会导致在一个大的数据上训练速度极大下降。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于二阶段聚类的无监督车辆重识别方法、***及存储介质，充分利用车的区别于行人的独特性，采用二次聚类的方法将大数据集分为多个小的簇，使得时效性大大提升，带来更好的识别效果。
为了达到上述目的，本发明采用以下技术方案：
本发明一方面提出了一种基于二阶段聚类的无监督车辆重识别方法，包括以下步骤：
数据收集，收集大量带车型标注的图片；
预处理，用目标检测算法检测所述带车型标注的图片的车辆位置并做裁剪；
相同车型下的局部聚类，利用裁剪后的图片训练车型分类器，所述车型分类器用于将目标数据分为若干个簇，然后基于密度的聚类算法在每个相同车型中聚类，当两张图片的距离小于距离阈值时，则认为这两张图片属于同一个簇，否则，不属于同一个簇；
进行簇合并，将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征，如果两个簇的簇中心小于设定阈值，则利用聚类算法将两个簇合并；两次层次聚类后，得到多个簇，每个簇里面的样本属于同一辆车。
优先的，在数据收集过程中，利用网络搜索引擎搜索相关车型，得到大量带车型标注的图片。
优先的，所述预处理过程中，采用Faster-RCNN算法检测车辆的位置并进行裁剪。
优先的，所述车型分类器提供了一个特征提取器，将不同的目标数据分成多个簇；所述车型分类器与特征提取器共享参数，在所述训练车型分类器过程中，更新特征提取器时所述车型分类器分类的结果随之动态变化。
优先的，所述距离阈值是通过线性的自适应距离阈值方法确定，将同一个车型的所有图片计算两两相似度并按降序排序，然后取其中前t％的平均值作为初始距离阈值。
优先的，在局部聚类的过程中，还包括设置簇的最小值；所述簇的最小值用于判断并舍去离群值：若一个簇内的样本数小于所述簇的最小值，则认为该簇是离群值。
优先的，在进行簇合并的过程中，设置的簇的最小值为1，用于避免在进行簇合并时的任何簇作为离群值被舍去。
优先的，在训练车型分类器时，还包括计算损失函数的步骤，所述损失函数由两部分组成，一部分是网络图片用到的交叉熵损失，一部分是目标数据集用到的三元组损失。
本发明另一方面还提出了一种基于二阶段聚类的无监督车辆重识别***，其特征在于，应用于所述的基于二阶段聚类的无监督车辆重识别方法，包括数据收集模块、预处理模块、相同车型下局部聚类模块和簇合并模块；
所述数据收集模块用于收集大量带车型标注的图片；
所述预处理模块利用目标检测算法检测所述带车型标注的图片的车辆位置并做裁剪；
所述相同车型下局部聚类模块利用裁剪后的图片训练车型分类器，所述车型分类器用于将目标数据分为若干个簇，然后基于密度的聚类算法在每个相同车型中聚类，当两张图片的距离小于距离阈值时，则认为这两张图片属于同一个簇，否则，不属于同一个簇；
所述簇合并模块将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征，如果两个簇的簇中心小于设定阈值，则利用聚类算法将两个簇合并；两次层次聚类后，得到多个簇，每个簇里面的样本属于同一辆车。
本发明又一方面还提出了一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-8任一项所述的基于二阶段聚类的无监督车辆重识别方法。
本发明与现有技术相比，具有如下优点和有益效果：
本发明提出的二阶段聚类方法充分利用了车辆的特性，从网络上爬取大量的带粗粒度标签的数据，利用这些数据训练出来的分类器可以先将目标数据集的车辆分为N个部分，然后在每个部分单独进行聚类得到簇。第二阶段聚类则将上述得到簇再做一次相同的聚类，用于合并一些相似的簇，由于一开始的分类器并不可靠，合并相似的簇使得之前分错的簇得以合并，使得最终的伪类标更可信，时效性更高，从而达到更好的训练效果。实验结果证明该方法能在目前一些开源数据集中取得最优的水平。
附图说明
图1是本发明实施例所述基于二阶段聚类的无监督车辆重识别方法的流程示意图；。
图2是本发明实施例所述从网络上爬取大量的自动化标注图片的示意图；
图3是本发明实施例所述相同车型下的局部聚类和簇合并的流程示意图；
图4是本发明实施例所述基于二阶段聚类的无监督车辆重识别***的结构示意图；
图5是本发明实施例所述存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1所示，本实施例提供了一种基于二阶段聚类的无监督车辆重识别方法，包括以下步骤：
S1、数据收集：利用网络搜索引擎搜索相关车型，得到大量自动化标注的相关图片；在本实施例中，收集了317种车型，共21893张自动化标注的图片，如图2所示。
给定一些车型关键字，可从网络上爬取大量的自动化标注的图片，所述自动化的标注大大降低了重识别在数据获取上的成本。
S2、预处理：用目标检测算法检测所述自动标注的相关图片的车辆位置并做裁剪；所述目标检测算法选用常用的Faster-RCNN法。
步骤S2得到的数据标注是粗粒度的(只标注了车型)，而重识别任务是一种细粒度的任务，需要识别出是否为同一辆车(即同一车型的车可能外观是相同的，但是他们在一些配饰，折旧度等是不同的)，故本发明提出了一种二次聚类的方法，该方法既利用了网络图片带来的视觉信息，又从粗粒度识别改进为细粒度识别。该方法主要分为两个部分，分别是相同车型下的局部聚类和簇合并。
S3、相同车型下的局部聚类：
S3.1、利用所述裁剪后的图片训练车型分类器；所述车型分类器用于将目标数据分为若干个簇；
利用上述收集的图片来训练一个车型分类器，分类器用常见的交叉熵作为损失函数进行训练。该分类器提供了一个可靠的特征提取器的同时，能将不同的目标数据分成317个簇。我们认为同一个簇中是同一车型的概率更高。通过利用收集得来的数据训练得到分类器，我们将目标数据集分成了p份，p代表收集的车型。值得注意的是，每次每类的结果不是固定的，因为分类器和特征提取器的参数是共享的，在更新特征提取器的同时分类结果也会动态变化。
S3.2、基于假设条件提出带线性的自适应距离阈值的局部聚类算法；
在步骤S3.1中用爬虫数据训练出来的车型分类器并不可靠，因为被预测为相同车型的车辆可能会因为在不同视角下，不同颜色下产生比较大的视觉差异性。因此，本发明提出了基于假设条件提出带线性的自适应距离阈值的局部聚类算法；
所述局部聚类的主要思想是利用基于密度的聚类算法(DBSCAN)在每个车型类中聚类，这样既可以利用到车型信息，也可以降低整个聚类的所用时间。
所述假设条件具体为：若两辆车被分类到同一个车型且它们之间的特征相似度足够小，则所述两辆车有更高概率属于同一辆车。
所述距离阈值用于判断两张图片是否属于同一个簇：当两张图片的距离小于该阈值时，认为这两张图片属于同一个簇，反之，这两张图片不属于同一个簇。然而在没有先验知识情况下，尤其是在深度学***均值作为初始阈值；因为随着训练的进行，不同簇之间的距离会越来越远，相同簇之间会越来越紧密，故在本实施例中，每进行6次训练迭代，线性增加t的大小，使得距离阈值动态增加，逐渐适应算法，最后的结果不过于依赖t的初始值，从而获得一个更好的效果，如图3所示。
所述基于假设条件提出带线性的自适应距离阈值的局部聚类算法还设置了一个簇的最小值；所述簇的最小值用于判断并舍去离群值：若一个簇内的样本数小于所述簇的最小值，则认为该簇是离群值。随着上述t值的增大，被作为离群值的簇会越来越少，与此同时，训练样本会越来越多，如图3所示
S3.3、利用所述局部聚类算法在每个车型中聚类。
S4、由于网络爬取的数据和目标的重识别数据差异较大(例如，网络爬取的数据大多数是高清特定视角的摆拍图，而重识别数据则是在监控场景下的图片)，所以在步骤S3.1中对重识别数据做得车型分类并不准确，同一辆车的图片可能因为视角上的差异一开始就分到了不同的车型中去，所以所述的相同车型下的局部聚类无法达成同一车分到同一个簇中去的最终任务，故本发明提出了簇合并的第二阶段聚类，具体为：
S4.1、将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征；
S4.2、应用和所述相同车型下的局部聚类相似的聚类过程，进行簇合并；
在此步骤中的聚类过程采用与相同车型下的局部聚类相似的思想：若两个簇的簇中心足够接近，聚类算法就会将其合并，达到簇合并的效果；
所述簇合并的聚类过程和所述相同车型下的局部聚类过程区别点在于，所述簇合并的聚类过程设置的簇的最小值为1；所述设置为1的簇的最小值用于避免此阶段的任何簇作为离群值被舍去，因为同一辆车有可能在第一阶段里已经被分到了同一个簇中了，这时候这个簇的簇中心可能就会被当成离群值。
S4.3、步骤S4.2所得的每个簇里面的样本认为属于同一辆车，为得到的多个簇分配伪类标，。
作为优选的技术方案，本实施例所使用的损失函数包括网络图片用到的交叉熵损失函数和目标数据集用到的三元组损失函数。
特别地，本实施例采用ResNet-50作为基础骨架网络，在训练过程中，先用自动标注的网络图片与训练一个特征提取器，再交替使用自动标注的网络图片和待识别的图片进行训练；每一批量中采集三个不同的车，每辆车分别取24张图片，即一个批量由72张图片；利用随机水平翻转和随机擦除的数据增强方法，将图片调整为224x224的大小；采用Adam优化器，使用0.0001的学习率和0.9的动量来优化网络的参数；整个训练的过程耗费40次迭代，每次迭代都会利用所提出的二次聚类方法来更新伪类标。
如图4所示，本申请的另一个实施例提供了一种基于二阶段聚类的无监督车辆重识别***，包括数据收集模块、预处理模块、相同车型下局部聚类模块和簇合并模块；
所述数据收集模块用于收集大量带车型标注的图片；
所述预处理模块利用目标检测算法检测所述带车型标注的图片的车辆位置并做裁剪；
所述相同车型下局部聚类模块利用裁剪后的图片训练车型分类器，所述车型分类器用于将目标数据分为若干个簇，然后基于密度的聚类算法在每个相同车型中聚类，当两张图片的距离小于距离阈值时，则认为这两张图片属于同一个簇，否则，不属于同一个簇；
所述簇合并模块将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征，如果两个簇的簇中心小于设定阈值，则利用聚类算法将两个簇合并；两次层次聚类后，得到多个簇，每个簇里面的样本属于同一辆车。
在此需要说明的是，上述实施例提供的***仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该***是应用于上述实施例的一种基于二阶段聚类的无监督车辆重识别方法。
如图5所示，本申请的另一个实施例还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现上述实施例所述的一种基于二阶段聚类的无监督车辆重识别方法，具体为：
S1、数据收集，收集大量带车型标注的图片；
S2、预处理，用目标检测算法检测所述带车型标注的图片的车辆位置并做裁剪；
S3、相同车型下的局部聚类，利用裁剪后的图片训练车型分类器，所述车型分类器用于将目标数据分为若干个簇，然后基于密度的聚类算法在每个相同车型中聚类，当两张图片的距离小于距离阈值时，则认为这两张图片属于同一个簇，否则，不属于同一个簇；
S4、进行簇合并，将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征，如果两个簇的簇中心小于设定阈值，则利用聚类算法将两个簇合并；两次层次聚类后，得到多个簇，每个簇里面的样本属于同一辆车。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
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 (6)

1.一种基于二阶段聚类的无监督车辆重识别方法，其特征在于，包括以下步骤：
数据收集，收集大量带车型标注的图片；
预处理，用目标检测算法检测所述带车型标注的图片的车辆位置并做裁剪；
相同车型下的局部聚类，利用裁剪后的图片训练车型分类器，所述车型分类器用于将目标数据分为若干个簇，然后基于密度的聚类算法在每个相同车型中聚类，当两张图片的距离小于距离阈值时，则认为这两张图片属于同一个簇，否则，不属于同一个簇；所述车型分类器提供了一个特征提取器，将不同的目标数据分成多个簇；所述车型分类器与特征提取器共享参数，在所述训练车型分类器过程中，更新特征提取器时所述车型分类器分类的结果随之动态变化；
进行簇合并，将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征，如果两个簇的簇中心小于设定阈值，则利用聚类算法将两个簇合并；两次层次聚类后，得到多个簇，每个簇里面的样本属于同一辆车；在局部聚类的过程中，还包括设置簇的最小值；所述簇的最小值用于判断并舍去离群值：若一个簇内的样本数小于所述簇的最小值，则认为该簇是离群值；在进行簇合并的过程中，设置的簇的最小值为1，用于避免在进行簇合并时的任何簇作为离群值被舍去；
在训练车型分类器时，还包括计算损失函数的步骤，所述损失函数由两部分组成，一部分是网络图片用到的交叉熵损失，一部分是目标数据集用到的三元组损失。
2.根据权利要求1所述的基于二阶段聚类的无监督车辆重识别方法，其特征在于，在数据收集过程中，利用网络搜索引擎搜索相关车型，得到大量带车型标注的图片。
3.根据权利要求1所述的基于二阶段聚类的无监督车辆重识别方法，其特征在于，所述预处理过程中，采用Faster-RCNN算法检测车辆的位置并进行裁剪。
4.根据权利要求1所述的基于二阶段聚类的无监督车辆重识别方法，其特征在于，所述距离阈值是通过线性的自适应距离阈值方法确定，将同一个车型的所有图片计算两两相似度并按降序排序，然后取其中前t%的平均值作为初始距离阈值。
5.一种基于二阶段聚类的无监督车辆重识别***，其特征在于，应用于权利要求1-4中任一项所述的基于二阶段聚类的无监督车辆重识别方法，包括数据收集模块、预处理模块、相同车型下局部聚类模块和簇合并模块；
所述数据收集模块用于收集大量带车型标注的图片；
所述预处理模块利用目标检测算法检测所述带车型标注的图片的车辆位置并做裁剪；
所述相同车型下局部聚类模块利用裁剪后的图片训练车型分类器，所述车型分类器用于将目标数据分为若干个簇，然后基于密度的聚类算法在每个相同车型中聚类，当两张图片的距离小于距离阈值时，则认为这两张图片属于同一个簇，否则，不属于同一个簇；
所述簇合并模块将所述相同车型下的局部聚类阶段得到的簇定义为簇中心，计算簇内所有样本的特征的均值并作为所述簇中心的特征，如果两个簇的簇中心小于设定阈值，则利用聚类算法将两个簇合并；两次层次聚类后，得到多个簇，每个簇里面的样本属于同一辆车。
6.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-4任一项所述的基于二阶段聚类的无监督车辆重识别方法。
CN202011500063.5A 2020-12-18 2020-12-18 基于二阶段聚类的无监督车辆重识别方法、***及存储介质 Active CN112597871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011500063.5A CN112597871B (zh) 2020-12-18 2020-12-18 基于二阶段聚类的无监督车辆重识别方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011500063.5A CN112597871B (zh) 2020-12-18 2020-12-18 基于二阶段聚类的无监督车辆重识别方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN112597871A CN112597871A (zh) 2021-04-02
CN112597871B true CN112597871B (zh) 2023-07-18

Family

ID=75199264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011500063.5A Active CN112597871B (zh) 2020-12-18 2020-12-18 基于二阶段聚类的无监督车辆重识别方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN112597871B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515657B (zh) * 2021-07-06 2022-06-14 天津大学 一种跨模态多视角目标检索方法及装置
CN116612445B (zh) * 2023-07-20 2023-10-31 华侨大学 基于自适应聚类和困难样本加权的无监督车辆再辨识方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403907A (zh) * 2008-11-12 2009-04-08 山东理工大学 散乱点云数据的五坐标nc刀轨快速生成方法
CN101403909A (zh) * 2008-11-12 2009-04-08 山东理工大学 三角网格细分曲面nc刀轨生成方法
CN101510225A (zh) * 2009-03-26 2009-08-19 山东理工大学 产品stl模型布尔运算方法
CN101515306A (zh) * 2009-03-26 2009-08-26 山东理工大学 基于G1连续三角Bézier曲面的产品STL模型重建方法
CN109961051A (zh) * 2019-03-28 2019-07-02 湖北工业大学 一种基于聚类和分块特征提取的行人重识别方法
CN111639561A (zh) * 2020-05-17 2020-09-08 西北工业大学 基于类别自适应聚类的无监督行人重识别方法
CN111967294A (zh) * 2020-06-23 2020-11-20 南昌大学 一种无监督域自适应的行人重识别方法
CN112069929A (zh) * 2020-08-20 2020-12-11 之江实验室 一种无监督行人重识别方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403907A (zh) * 2008-11-12 2009-04-08 山东理工大学 散乱点云数据的五坐标nc刀轨快速生成方法
CN101403909A (zh) * 2008-11-12 2009-04-08 山东理工大学 三角网格细分曲面nc刀轨生成方法
CN101510225A (zh) * 2009-03-26 2009-08-19 山东理工大学 产品stl模型布尔运算方法
CN101515306A (zh) * 2009-03-26 2009-08-26 山东理工大学 基于G1连续三角Bézier曲面的产品STL模型重建方法
CN109961051A (zh) * 2019-03-28 2019-07-02 湖北工业大学 一种基于聚类和分块特征提取的行人重识别方法
CN111639561A (zh) * 2020-05-17 2020-09-08 西北工业大学 基于类别自适应聚类的无监督行人重识别方法
CN111967294A (zh) * 2020-06-23 2020-11-20 南昌大学 一种无监督域自适应的行人重识别方法
CN112069929A (zh) * 2020-08-20 2020-12-11 之江实验室 一种无监督行人重识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112597871A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN107145889B (zh) 基于具有RoI池化的双CNN网络的目标识别方法
CN107247956B (zh) 一种基于网格判断的快速目标检测方法
Alonso et al. Combination of feature extraction methods for SVM pedestrian detection
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN110781262B (zh) 基于视觉slam的语义地图的构建方法
CN112597871B (zh) 基于二阶段聚类的无监督车辆重识别方法、***及存储介质
EP2657857A1 (en) Method for binary classification of a query image
EP2474163A2 (en) Foreground object detection in a video surveillance system
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN102968637A (zh) 一种复杂背景图像文字分割方法
CN101770576A (zh) 字符提取方法和装置
CN113642547B (zh) 一种基于密度聚类的无监督域适应人物重识别方法及***
Murphy et al. Incremental unsupervised topological place discovery
CN113516105B (zh) 一种车道检测方法、装置及计算机可读存储介质
CN111738300A (zh) 一种交通标志及信号灯检测和识别的优化算法
KR20180070258A (ko) 주행상황에서의 동시적 물체 인식 및 학습 방법
CN115457082A (zh) 一种基于多特征融合增强的行人多目标跟踪算法
CN114882351B (zh) 一种基于改进YOLO-V5s的多目标检测与跟踪方法
CN114998815A (zh) 一种基于视频分析的交通车辆识别追踪方法及***
CN117593685A (zh) 真值数据的构建方法和装置、存储介质
CN111221819B (zh) 一种基于多维数据空间分割的相似台风快速匹配方法
CN112836611A (zh) 确定身体部位语义图、模型训练和行人重识别方法及设备
Joan Pep Company-Corcoles et al. LiPo-LCD: Combining Lines and Points for Appearance-based Loop Closure Detection.
CN114049582A (zh) 基于网络结构搜索和背景-动作增强的弱监督行为检测方法和装置
CN114429621A (zh) 一种基于ufsa算法改进的车道线智能检测方法

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
GR01 Patent grant
GR01 Patent grant