CN112801020A - 基于背景灰度化的行人再识别方法及*** - Google Patents
基于背景灰度化的行人再识别方法及*** Download PDFInfo
- Publication number
- CN112801020A CN112801020A CN202110174952.5A CN202110174952A CN112801020A CN 112801020 A CN112801020 A CN 112801020A CN 202110174952 A CN202110174952 A CN 202110174952A CN 112801020 A CN112801020 A CN 112801020A
- Authority
- CN
- China
- Prior art keywords
- bgg
- background
- stream
- pedestrian
- image
- 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 41
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 206010039509 Scab Diseases 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000003313 weakening effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 210000000746 body region Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于背景灰度化的行人再识别方法及***,该方法包括:S1、对原始图像进行背景灰度化处理,得到处理后的BGg图像;S2、基于ResNet50的双路网络,一路为背景灰度流BGg‑Stream,对BGg图像进行特征提取,另一路为全局流G‑Stream,对原始图像进行特征提取;S3、通过级联对两路网络进行彼此交互;S4、两路网络在每个阶段所得的特征图,通SCAB模块之后作为BGg‑stream的下一层卷积的输入特征图,使两路网络得以联系,两路特征得以结合;S5、采用三元组损失函数来更新网络参数,并进行相似度计算,最后输出排列序列。该方法及***有利于弱化背景干扰,提高行人再识别的准确度。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种基于背景灰度化的行人再识别方法及***。
背景技术
人的重新识别(ReID)是计算机视觉中一个很好的研究问题,目的是通过从不同摄像机拍摄的大量图像中检索特定行人的图像。它是视频监控中最基本的视觉识别问题,具有广泛的应用前景。ReID提出的传统方法大多采用颜色直方图和纹理直方图的低阶特征,利用度量学习找到一个距离函数,该函数将来自同一类的图像之间的距离最小化,将不同类之间的距离最大化。ReID已经在学术界研究多年,直到最近几年随着深度学习的发展,才取得了非常巨大的突破。但依然不能忽视的问题是,深度卷积特征作为高维特征,很容易受人的姿态、物体遮挡、光照强度的不同、背景杂波等因素的影响。
过去几年人们提出了许多方法来获得更鲁棒的特征。但这些方法往往直接把整个图像作为输入。这样的全局信息不仅包含行人特征,还包括背景的杂波特征。目前能够缓解背景杂波影响的有效方法大体上主要分为两种:1)基于身体区域检测的方法,例如借助位姿和关键点估计,利用部位区域检测的方法提取图像中的人体信息。2)基于人体分割的方法。近年来现有的图像分割方法包括FCN,面具R-CNN,jppnet等已经能够在截除背景方面获得优秀的效果。
但在实际的无约束情境中,行人重识别仍然是一项极具挑战性的任务。如何提取对背景杂波不变性的鉴别性和鲁棒性特征是核心问题,因为背景中的非行人部分会对前景信息的特征造成很大的干扰。
现有解决背景干扰的方法,多数是基于身体区域检测的方法或是利用分割的方法滤除掉背景,然而他们仍然存在着以下限制之一。一,需要对额外的检测模型和分割模型进行预训练,以及额外的数据采集工作。二,姿态估计和reid之间潜在的数据集偏差会造成分区错误,破坏行人原有的完整体型特征。三,虽然背景被部分截除,但依然存在在行人周围,并以与行人区域等同的权重参与模型训练。按照如此分析,这些方法并没有真正针对背景杂波问题的提出根本解决方案。四,强硬的分割所带来的弊端不仅仅是破坏图像原有的结构和平滑度,还完全放弃掉了所有的背景信息。有些背景信息有时候是可以作为有用的上下文信息,忽视所有背景信息会忽略一些关于行人再识别任务的线索。
发明内容
本发明的目的在于提供一种基于背景灰度化的行人再识别方法及***,该方法及***有利于弱化背景干扰,提高行人再识别的准确度。
为实现上述目的,本发明采用的技术方案是:一种基于背景灰度化的行人再识别方法,包括以下步骤:S1、对原始图像进行背景灰度化处理,同时图像前景信息保持不变,得到处理后的BGg图像,即背景灰度化图像;
S2、基于ResNet50的双路网络,一路为背景灰度流BGg-Stream,对步骤S1得到的背景灰度化图像进行特征提取,另一路为全局流G-Stream,对原始图像进行特征提取;
S3、通过级联对步骤S2得到的两路网络进行彼此交互;
S4、两路网络在每个阶段所得的特征图,通过空间-通道注意力机制模块,即SCAB模块之后作为BGg-stream的下一层卷积的输入特征图,使得两路网络得以联系,两路特征得以结合;
S5、特征提取后,采用三元组损失函数来更新网络参数,然后进行相似度计算,最后输出排列序列。
进一步地,所述BGg-stream的输入是BGg图像,图像的背景灰度化公式为:
BGg(i,j)=0.299×R(i,j)+0.587×G(i,j)+0.114×B(i,j)
其中BGg(i,j)为BGg图像在第i行第j列的像素值,R、G、B为RGB图像的三个通道。
进一步地,所述SCAB模块包括通道注意模块和空间注意模块。
进一步地,所述通道注意模块按如下方法实现:给定输入特征映射Fi∈RC*H*W,首先利用平均池化操作对特征地图的空间信息进行聚合,生成空间上下文描述符Fi∈RC*1*1,将空间信息压缩并转换到通道中;然后将隐藏的激活大小设置为Fi∈RC/r*1*1,以减少参数开销,其中R为缩减率;因此,通道注意模块表示为:
Fii=σ(θ(R(ζ(δ(Fi)))))
进一步地,所述空间注意模块按如下方法实现:对于输入特征映射Fi∈RC*H*W,其中C是信道总数,H*W是特征映射的大小,则空间注意模块表示为:
Fiii=σ(C(Fi))
其中σ为sigmoid激活函数,空间关注模块的输出为Fiii∈R1*H*W。
进一步地,在测试阶段应用局部特征响应最大化策略,即LRM策略;在测试的过程中,将特征图按水平分为适当个数的n个区域,对每一部分特征提取出响应最大的特征,作为该部分的特征。
本发明还提供了一种基于背景灰度化的行人再识别***,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序,当处理器运行该计算机程序时,实现所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:
1、本发明不需要额外的训练和数据集。
2、本发明可以保持行人原有体型信息的完整和有效。
3、本发明可以准确定位人体区域,针对包括行人周身范围在内的所有背景进行处理。
4、本发明可以不受背景中强烈的颜色干扰又可以留下有用的信息。
5、本发明使模型能在学习过程中专注于前景信息的学习,进一步弱化背景干扰。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中通道注意模块结构示意图。
图3是本发明实施例中空间注意模块结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于背景灰度化的行人再识别方法,包括以下步骤:
S1、利用mask对原始图像进行背景灰度化处理,同时图像前景信息保持不变,得到处理后的BGg图像,即背景灰度化图像(前景为RGB图像,背景为灰度图像的图像)。
S2、基于ResNet50的双路网络,一路为背景灰度流BGg-Stream,对步骤S1得到的背景灰度化图像进行特征提取,另一路为全局流G-Stream,对原始图像进行特征提取;
S3、通过级联对步骤S2得到的两路网络进行彼此交互;
S4、两路网络在每个阶段所得的特征图,通过空间-通道注意力机制模块,即SCAB模块之后作为BGg-stream的下一层卷积的输入特征图,使得两路网络得以联系,两路特征得以结合;
S5、特征提取后,采用三元组损失函数来更新网络参数,然后进行相似度计算,最后输出排列序列。
在本实施例中,所述BGg-stream的输入是BGg图像,图像的背景灰度化公式为:
BGg(i,j)=0.299×R(i,j)+0.587×G(i,j)+0.114×B(i,j)
其中BGg(i,j)为BGg图像在第i行第j列的像素值,R、G、B为RGB图像的三个通道。
所述SCAB模块包括通道注意模块和空间注意模块。
在本实施例中,通道注意模块的完整结构如图2所示。所述通道注意模块按如下方法实现:给定输入特征映射Fi∈RC*H*W,首先利用平均池化操作对特征地图的空间信息进行聚合,生成空间上下文描述符Fi∈RC*1*1,将空间信息压缩并转换到通道中;然后将隐藏的激活大小设置为Fi∈RC/r*1*1,以减少参数开销,其中R为缩减率;因此,通道注意模块表示为:
Fii=σ(θ(R(ζ(δ(Fi)))))
在本实施例中,空间注意模块的完整结构如图3所示。所述空间注意模块按如下方法实现:对于输入特征映射Fi∈RC*H*W,其中C是信道总数,H*W是特征映射的大小,则空间注意模块表示为:
Fiii=σ(C(Fi))
其中σ为sigmoid激活函数,空间关注模块的输出为Fiii∈R1*H*W。
在本实施例中,在测试阶段应用局部特征响应最大化策略,即LRM策略;在测试的过程中,将特征图按水平分为适当个数的n个区域,本实施例中令n=8,对每一部分特征提取出响应最大的特征,作为该部分的特征。
本实施例还提供了一种基于背景灰度化的行人再识别***,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序,当处理器运行该计算机程序时,实现上述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于背景灰度化的行人再识别方法,其特征在于,包括以下步骤:
S1、对原始图像进行背景灰度化处理,同时图像前景信息保持不变,得到处理后的BGg图像,即背景灰度化图像;
S2、基于ResNet50的双路网络,一路为背景灰度流BGg-Stream,对步骤S1得到的背景灰度化图像进行特征提取,另一路为全局流G-Stream,对原始图像进行特征提取;
S3、通过级联对步骤S2得到的两路网络进行彼此交互;
S4、两路网络在每个阶段所得的特征图,通过空间-通道注意力机制模块,即SCAB模块之后作为BGg-stream的下一层卷积的输入特征图,使得两路网络得以联系,两路特征得以结合;
S5、特征提取后,采用三元组损失函数来更新网络参数,然后进行相似度计算,最后输出排列序列。
2.根据权利要求1所述的基于背景灰度化的行人再识别方法,其特征在于,所述BGg-stream的输入是BGg图像,图像的背景灰度化公式为:
BGg(i,j)=0.299×R(i,j)+0.587×G(i,j)+0.114×B(i,j)
其中BGg(i,j)为BGg图像在第i行第j列的像素值,R、G、B为RGB图像的三个通道。
3.根据权利要求1所述的基于背景灰度化的行人再识别方法,其特征在于,所述SCAB模块包括通道注意模块和空间注意模块。
5.根据权利要求3所述的基于背景灰度化的行人再识别方法,其特征在于,所述空间注意模块按如下方法实现:对于输入特征映射Fi∈RC*H*W,其中C是信道总数,H*W是特征映射的大小,则空间注意模块表示为:
Fiii=σ(C(Fi))
其中σ为sigmoid激活函数,空间关注模块的输出为Fiii∈R1*H*W。
6.根据权利要求1所述的基于背景灰度化的行人再识别方法,其特征在于,在测试阶段应用局部特征响应最大化策略,即LRM策略;在测试的过程中,将特征图按水平分为适当个数的n个区域,对每一部分特征提取出响应最大的特征,作为该部分的特征。
7.一种基于背景灰度化的行人再识别***,其特征在于,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序,当处理器运行该计算机程序时,实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174952.5A CN112801020B (zh) | 2021-02-09 | 2021-02-09 | 基于背景灰度化的行人再识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174952.5A CN112801020B (zh) | 2021-02-09 | 2021-02-09 | 基于背景灰度化的行人再识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801020A true CN112801020A (zh) | 2021-05-14 |
CN112801020B CN112801020B (zh) | 2022-10-14 |
Family
ID=75814893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174952.5A Active CN112801020B (zh) | 2021-02-09 | 2021-02-09 | 基于背景灰度化的行人再识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801020B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627241A (zh) * | 2021-06-29 | 2021-11-09 | 厦门市美亚柏科信息股份有限公司 | 一种用于行人重识别的背景抑制方法与*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150304634A1 (en) * | 2011-08-04 | 2015-10-22 | John George Karvounis | Mapping and tracking system |
CN108960114A (zh) * | 2018-06-27 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 人体识别方法及装置、计算机可读存储介质及电子设备 |
CN110232330A (zh) * | 2019-05-23 | 2019-09-13 | 复钧智能科技(苏州)有限公司 | 一种基于视频检测的行人重识别方法 |
US20190313056A1 (en) * | 2018-04-10 | 2019-10-10 | Facebook, Inc. | Automated cinematic decisions based on descriptive models |
EP3570207A1 (en) * | 2018-05-15 | 2019-11-20 | IDEMIA Identity & Security Germany AG | Video cookies |
CN111291633A (zh) * | 2020-01-17 | 2020-06-16 | 复旦大学 | 一种实时行人重识别方法及装置 |
CN111462183A (zh) * | 2020-03-31 | 2020-07-28 | 山东大学 | 一种基于注意力机制双流网络的行为识别方法及*** |
CN111860309A (zh) * | 2020-07-20 | 2020-10-30 | 汪秀英 | 一种人脸识别方法及*** |
-
2021
- 2021-02-09 CN CN202110174952.5A patent/CN112801020B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150304634A1 (en) * | 2011-08-04 | 2015-10-22 | John George Karvounis | Mapping and tracking system |
US20200404245A1 (en) * | 2011-08-04 | 2020-12-24 | Trx Systems, Inc. | Mapping and tracking system with features in three-dimensional space |
US20190313056A1 (en) * | 2018-04-10 | 2019-10-10 | Facebook, Inc. | Automated cinematic decisions based on descriptive models |
EP3570207A1 (en) * | 2018-05-15 | 2019-11-20 | IDEMIA Identity & Security Germany AG | Video cookies |
CN108960114A (zh) * | 2018-06-27 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 人体识别方法及装置、计算机可读存储介质及电子设备 |
CN110232330A (zh) * | 2019-05-23 | 2019-09-13 | 复钧智能科技(苏州)有限公司 | 一种基于视频检测的行人重识别方法 |
CN111291633A (zh) * | 2020-01-17 | 2020-06-16 | 复旦大学 | 一种实时行人重识别方法及装置 |
CN111462183A (zh) * | 2020-03-31 | 2020-07-28 | 山东大学 | 一种基于注意力机制双流网络的行为识别方法及*** |
CN111860309A (zh) * | 2020-07-20 | 2020-10-30 | 汪秀英 | 一种人脸识别方法及*** |
Non-Patent Citations (2)
Title |
---|
李艳凤,张斌,孙嘉,陈后金,朱锦雷: "基于多池化融合与背景消除网络的跨数据集行人再识别方法", 《通信学报》 * |
马志艳等: "基于视觉的茶作物行间行走路径规划研究", 《农机化研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627241A (zh) * | 2021-06-29 | 2021-11-09 | 厦门市美亚柏科信息股份有限公司 | 一种用于行人重识别的背景抑制方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN112801020B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10719940B2 (en) | Target tracking method and device oriented to airborne-based monitoring scenarios | |
Wang et al. | Detect globally, refine locally: A novel approach to saliency detection | |
CN109558832B (zh) | 一种人体姿态检测方法、装置、设备及存储介质 | |
CN104268594B (zh) | 一种视频异常事件检测方法及装置 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
CN112132156B (zh) | 多深度特征融合的图像显著性目标检测方法及*** | |
US8620026B2 (en) | Video-based detection of multiple object types under varying poses | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN111696110B (zh) | 场景分割方法及*** | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN111738344A (zh) | 一种基于多尺度融合的快速目标检测方法 | |
CN111914698A (zh) | 图像中人体的分割方法、分割***、电子设备及存储介质 | |
CN111723687A (zh) | 基于神经网路的人体动作识别方法和装置 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115082966B (zh) | 行人重识别模型训练方法、行人重识别方法、装置和设备 | |
CN113066089B (zh) | 一种基于注意力引导机制的实时图像语义分割方法 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN112801020B (zh) | 基于背景灰度化的行人再识别方法及*** | |
CN111951298B (zh) | 一种融合时间序列信息的目标跟踪方法 | |
CN117710841A (zh) | 一种无人机航拍图像的小目标检测方法、装置 | |
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*** | |
Özyurt et al. | A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function | |
CN116152696A (zh) | 一种工控***智慧安防图像识别方法及*** |
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 |