CN117437604B - 无监督车辆再辨识模型训练方法、车辆再辨识方法及装置 - Google Patents
无监督车辆再辨识模型训练方法、车辆再辨识方法及装置 Download PDFInfo
- Publication number
- CN117437604B CN117437604B CN202311767741.8A CN202311767741A CN117437604B CN 117437604 B CN117437604 B CN 117437604B CN 202311767741 A CN202311767741 A CN 202311767741A CN 117437604 B CN117437604 B CN 117437604B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feature
- vehicle image
- random
- dimension
- 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
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009499 grossing Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims 2
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无监督车辆再辨识模型训练方法、车辆再辨识方法及装置,涉及人工智能、机器视觉领域,通过基于深度学***滑,得到动态平滑伪标签,改善无监督车辆再辨识训练效果,解决当前无监督车辆再辨识依赖身份伪标签而聚类产生的身份伪标签质量不佳的问题。
Description
技术领域
本发明涉及人工智能、机器视觉领域,具体涉及一种无监督车辆再辨识模型训练方法、车辆再辨识方法及装置。
背景技术
无监督车辆再辨识旨在从无身份标签的车辆图像中学***滑,即在伪标签进行独热编码的基础上,将独热编码中1改为,且独热编码中0全部改为/>,/>表示很小于1但大于0的常数,C为类别数量。这种C维类别数量,实际上就是将独热编码中取0的C-1类均等划分/>,并未挖掘类别之间潜在的相关性,例如SUV与轿车的相似度高于SUV与公交车的相似度。
发明内容
针对上述提到当前无监督车辆再辨识依赖伪标签而聚类产生的伪标签质量不佳的技术问题。本申请的实施例的目的在于提出了一种无监督车辆再辨识模型训练方法、车辆再辨识方法及装置,来解决以上背景技术部分提到的技术问题。
第一方面,本发明提供了一种无监督车辆再辨识模型训练方法,包括以下步骤:
S1,获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将无标签车辆图像训练数据中每个车辆图像输入车辆再辨识模型,得到车辆图像特征,车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,车辆图像特征为特征提取单元的输出特征,对车辆图像特征进行聚类,得到无标签车辆图像训练数据中每个车辆图像对应的伪标签;
S2,对每个车辆图像特征进行多次特征随机增强,得到多组随机增强特征,根据多组随机增强特征计算随机增强后验类别概率;
S3,基于随机增强后验类别概率对伪标签进行动态平滑,得到动态平滑伪标签;
S4,基于动态平滑伪标签构建损失函数,基于损失函数采用批量梯度下降法对车辆再辨识模型进行训练,更新车辆再辨识模型;
S5,重复步骤S1到S4,直到最大重复次数,获得经训练的车辆再辨识模型。
作为优选,对车辆图像特征进行聚类,得到无标签车辆图像训练数据中每个车辆图像对应的伪标签,具体包括:
1)从车辆图像特征中随机选取C个对象,作为初始的聚类中心,其中,C表示类簇的数量;
2)计算每个车辆图像特征到各个聚类中心的距离,如下式所示:
;
其中,表示车辆图像特征,/>表示/>的第i维特征,/>表示第z个聚类中心,/>表示/>的第i维特征,/>,/>表示/>到第z个聚类中心的距离,d表示特征维数;
3)将每个车辆图像特征归属于距离最近的聚类中心,形成C个类簇;
4)计算每个类簇的均值作为其聚类中心,更新C个聚类中心;
5)迭代步骤2-4,直至聚类中心没有明显变化,得到最终的类簇,每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签。
作为优选,对每个车辆图像特征进行多次特征随机增强,得到多组随机增强特征,具体包括:
随机选择每个车辆图像特征的第i维特征中的部分特征数据,并利用均匀分布对部分特征数据进行随机放缩,得到随机增强特征,公式如下:
;
其中,表示车辆图像特征/>的第i维特征,i是特征维数序号,d是特征维数,是/>的随机增强特征,/>是随机增强特征g的第i维特征,RandMask表示产生随机选择特征维数序号集合的函数,RIDX表示其生成的随机选择的特征维数序号集合,该集合通过将从1到d的有序数组打乱后选择前/>获得,因此RIDX的元素个数为,其中/>表示向下就近取整操作;RandScale表示利用均匀分布对所选择的特征数据进行随机放缩的函数,其中,/>表示在区间/>上的均匀随机分布,且/>,/>表示实数多维空间;
重复以上步骤,得到每个车辆图像特征对应的多组随机增强特征。
作为优选,根据多组随机增强特征计算随机增强后验类别概率,具体包括:
根据随机增强特征计算后验类别概率,公式如下:
;
其中,表示对车辆图像特征/>的第k次随机增强特征,/>表示实数多维空间,d为特征维数,m表示随机增强次数,FC表示全连接层,通过全连接层将输入的随机增强特征/>投影为C维数据,C表示类簇的数量,随后利用Softmax函数层对C维数据进行归一化获得后验类别概率/>;
计算车辆图像特征的第k次随机增强特征与车辆图像特征之间的相似度,公式如下:
;
其中,表示车辆图像特征,/>表示车辆图像特征/>的第k次随机增强特征,d为特征维数,m表示随机增强次数,/>表示/>和/>之间的相似度;
根据相似度计算后验类别概率对应的权重系数,公式如下:
;
其中,是自然常数,/>为温度参数,/>;
根据后验类别概率及其对应的权重系数计算随机增强后验类别概率,公式如下:
;
其中,表示随机增强后验类别概率,/>表示随机增强特征/>对应的后验类别概率。
作为优选,基于随机增强后验类别概率对伪标签进行动态平滑,得到动态平滑伪标签,具体包括:
利用随机增强后验类别概率计算赋权能量,公式如下:
;
其中,表示赋权能量第z维的取值,/>表示车辆图像特征,/>表示该车辆图像特征对应的图像属于第z个伪标签,记为/>;/>和/>分别表示随机增强后验类别概率/>的第z维的取值和第j维的取值,/>表示车辆图像特征/>对应的图像不属于第z个伪标签/>,/>表示车辆图像特征/>对应的图像不属于第j个伪标签/>,z和j表示伪标签序号;
根据赋权能量计算得到动态平滑伪标签,公式如下:
;
其中,表示车辆图像特征/>所对应的动态平滑伪标签的第z维的取值,/>表示该车辆图像特征/>对应的图像属于第z个伪标签,记为/>;/>表示远小于1但大于0的常数,它保证当/>时,对应的动态平滑伪标签的第z维/>的取值获得最大的峰值地位/>,而当/>时,对应的动态平滑伪标签的第z维/>的取值获得最小峰值,且使得全部/>所对应的伪标签的取值根据赋权能量划分/>而非均等划分,实现对伪标签的动态平滑。
作为优选,损失函数为基于动态平滑伪标签的交叉熵损失函数,公式如下:
;
其中,B表示一批次的无标签车辆图像训练数据中车辆图像的总数量,表示第b个车辆图像的动态平滑伪标签的第z维的取值,表示第b个车辆图像特征/>通过所述全连接层投影为C维数据,随后利用Softmax函数层对C维数据进行归一化后获得的后验类别概率,/>表示/>的第z维的取值,/>。
第二方面,本发明提供了一种无监督车辆再辨识方法,采用如第一方面中任一实现方式描述的方法训练得到的经训练的车辆再辨识模型,包括以下步骤:
获取注册车辆图像和查询车辆图像,分别将注册车辆图像和查询车辆图像输入经训练的车辆再辨识模型,得到查询特征和注册特征,查询特征和注册特征均为车辆图像经由经训练的车辆再辨识模型中的特征提取单元的输出特征;
分别计算查询特征与注册特征之间的距离,并根据距离进行升序排序,选取排名靠前的注册特征所对应的注册车辆图像作为查询车辆图像对应的车辆再辨识结果。
第三方面,本发明提供了一种无监督车辆再辨识模型训练装置,包括:
伪标签获取模块,被配置为获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将无标签车辆图像训练数据中每个车辆图像输入车辆再辨识模型,得到车辆图像特征,车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,车辆图像特征为特征提取单元的输出特征,对车辆图像特征进行聚类,得到无标签车辆图像训练数据中每个车辆图像对应的伪标签;
随机增强模块,被配置为对每个车辆图像特征进行多次特征随机增强,得到多组随机增强特征,根据多组随机增强特征计算随机增强后验类别概率;
动态平滑模块,被配置为基于随机增强后验类别概率对伪标签进行动态平滑,得到动态平滑伪标签;
训练模块,被配置为基于动态平滑伪标签构建损失函数,基于损失函数采用批量梯度下降法对车辆再辨识模型进行训练,更新车辆再辨识模型;
重复模块,被配置为重复执行伪标签获取模块至训练模块,直到最大重复次数,获得经训练的车辆再辨识模型。
第四方面,本发明提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第五方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明所使用的随机选择部分特征数据进行随机放缩,获得随机增强特征,能够提升无监督车辆再辨识模型对聚类伪标签噪声的抵抗能力。
(2)本发明所使用的动态标签平滑根据赋权能量划分赋权伪标签中的非峰值类别概率分布,可以充分挖掘类别之间潜在的相关性,提升伪标签质量,改善无监督车辆再辨识训练效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本申请的实施例的无监督车辆再辨识模型训练方法的流程示意图;
图3为本申请的实施例的无监督车辆再辨识模型训练方法的模型结构及其训练过程的示意图;
图4为本申请的实施例的无监督车辆再辨识模型训练装置的示意图;
图5是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的无监督车辆再辨识模型训练方法或无监督车辆再辨识模型训练装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备一101、终端设备二102、终端设备三103,网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互,以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件,也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的无监督车辆再辨识模型训练方法可以由服务器105执行,也可以由终端设备一101、终端设备二102、终端设备三103执行,相应地,无监督车辆再辨识模型训练装置可以设置于服务器105中,也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种无监督车辆再辨识模型训练方法,包括以下步骤:
S1,获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将无标签车辆图像训练数据中每个车辆图像输入车辆再辨识模型,得到车辆图像特征,车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,车辆图像特征为特征提取单元的输出特征,对车辆图像特征进行聚类,得到无标签车辆图像训练数据中每个车辆图像对应的伪标签。
在具体的实施例中,对车辆图像特征进行聚类,得到无标签车辆图像训练数据中每个车辆图像对应的伪标签,具体包括:
对车辆图像特征采用k-means聚类算法进行聚类,其聚类步骤如下所示:
1)从车辆图像特征中随机选取C个对象,作为初始的聚类中心,其中,C表示类簇的数量;
2)计算每个车辆图像特征到各个聚类中心的距离,如下式所示:
;
其中,表示车辆图像特征,/>表示/>的第i维特征,/>表示第z个聚类中心,/>表示/>的第i维特征,/>,/>表示/>到第z个聚类中心的距离,d表示特征维数;
3)将每个车辆图像特征归属于距离最近的聚类中心,形成C个类簇;
4)计算每个类簇的均值作为其聚类中心,更新C个聚类中心;
5)迭代步骤2-4,直至聚类中心没有明显变化,得到最终的类簇,每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签。
在具体的实施例中,该车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层。在其中一个实施例中,参考图3,特征提取单元采用ResNet50网络实现,该ResNet50网络包括:茎(Stem)层、四个残差组(Layer1、Layer2、Layer3、Layer4)、全局平均池化层(Global Average Pooling,GAP)和批量归一化(Batch Normalization,BN)层。
将无标签车辆图像训练数据中的每个车辆图像输入基于ResNet50的特征提取单元,将BN层的输出特征作为车辆图像特征,并对无标签车辆图像训练数据所对应的车辆图像特征使用k-means聚类算法进行聚类,得到每个车辆图像所对应的伪标签。
S2,对每个车辆图像特征进行多次特征随机增强,得到多组随机增强特征,根据多组随机增强特征计算随机增强后验类别概率。
在具体的实施例中,对每个车辆图像特征进行多次特征随机增强,得到多组随机增强特征,具体包括:
随机选择每个车辆图像特征的第i维取值中的部分特征数据,并利用均匀分布对部分特征数据进行随机放缩,得到随机增强特征,公式如下:
;
其中,表示车辆图像特征/>的第i维特征,i是特征维数序号,d是特征维数,是/>的随机增强特征,/>是随机增强特征g的第i维取值,RandMask表示产生随机选择特征维数序号集合的函数,RIDX表示其生成的随机选择的特征维数序号集合,该集合通过将从1到d的有序数组打乱后选择前/>获得,因此RIDX的元素个数为,其中/>表示向下就近取整操作;RandScale表示利用均匀分布对所选择的特征数据进行随机放缩的函数,其中,/>表示在区间/>上的均匀随机分布,且,/>表示实数多维空间;
重复以上步骤,得到每个车辆图像特征对应的多组随机增强特征。
具体的,基于ResNet50的特征提取单元中BN层输出的车辆图像特征随机选择部分特征数据,并利用均匀分布对所选择的部分特征数据进行随机放缩,获得随机增强特征,并且重复多次,则获得车辆图像特征所对应的多组随机增强特征。
在具体的实施例中,根据多组随机增强特征计算随机增强后验类别概率,具体包括:
根据随机增强特征计算后验类别概率,公式如下:
;
其中,表示对车辆图像特征/>的第k次随机增强特征,/>表示实数多维空间,d为特征维数,m表示随机增强次数,FC表示全连接层,通过全连接层将输入的随机增强特征/>投影为C维数据,C表示类簇的数量,随后利用Softmax函数层对C维数据进行归一化获得后验类别概率/>;
计算车辆图像特征的第k次随机增强特征与车辆图像特征之间的相似度,公式如下:
;
其中,表示车辆图像特征,/>表示车辆图像特征/>的第k次随机增强特征,d为特征维数,m表示随机增强次数,/>表示/>和/>之间的相似度;
根据相似度计算后验类别概率对应的权重系数,公式如下:
;
其中,是自然常数,/>为温度参数,/>;
根据后验类别概率及其对应的权重系数计算随机增强后验类别概率,公式如下:
;
其中,表示随机增强后验类别概率,/>表示随机增强特征/>对应的后验类别概率。
具体的,将随机增强特征输入全连接层和Softmax函数层,计算得到后验类别概率,并计算车辆图像特征的第k次随机增强特征与其对应的车辆图像特征/>之间的相似度,根据该相似度确定对应的权重系数,最后将每一次随机增强特征所对应的后验类别概率与对应的权重系数相乘的结果求和,即可得到随机增强后验类别概率。
S3,基于随机增强后验类别概率对伪标签进行动态平滑,得到动态平滑伪标签。
在具体的实施例中,步骤S3具体包括:
利用随机增强后验类别概率计算赋权能量,公式如下:
;
其中,表示赋权能量第z维的取值,/>表示车辆图像特征,/>表示该车辆图像特征对应的图像属于第z个伪标签,记为/>;/>和/>表示随机增强后验类别概率/>的第z维的取值和第j维的取值;/>表示车辆图像特征/>对应的图像不属于第z个伪标签/>,/>表示车辆图像特征/>对应的图像不属于第j个伪标签/>,z和j表示伪标签序号;
根据赋权能量计算得到动态平滑伪标签,公式如下:
;
其中,表示车辆图像特征/>所对应的动态平滑伪标签的第z维的取值,/>表示该车辆图像特征/>对应的图像属于第z个伪标签,记为/>;/>表示远小于1但大于0的常数,它保证当/>时,对应的动态平滑伪标签的第z维/>的取值获得最大的峰值地位/>,而当/>时,对应的动态平滑伪标签的第z维/>的取值获得最小峰值,且使得全部/>所对应的伪标签的取值根据赋权能量划分/>而非均等划分,实现对伪标签的动态平滑。
具体的,利用随机增强后验类别概率计算赋权能量,进而利用赋权能量实现动态平滑伪标签,该动态标签平滑根据赋权能量划分赋权伪标签中的非峰值类别概率分布,可以充分挖掘类别之间潜在的相关性。
S4,基于动态平滑伪标签构建损失函数,基于损失函数采用批量梯度下降法对车辆再辨识模型进行训练,更新车辆再辨识模型。
在具体的实施例中,损失函数为基于动态平滑伪标签的交叉熵损失函数,公式如下:
;
其中,B表示一批次的无标签车辆图像训练数据中车辆图像的总数量,表示第b个车辆图像的动态平滑伪标签的第z维的取值,表示第b个车辆图像特征/>通过所述全连接层投影为C维数据,随后利用Softmax函数层对C维数据进行归一化后获得的后验类别概率,/>表示/>的第z维的取值,/>。
具体的,根据动态平滑伪标签和后验类别概率/>计算交叉熵损失函数/>,在训练阶段采用批量随机梯度下降方法优化该损失函数,对车辆再辨识模型进行训练,获得经训练的车辆再辨识模型。
S5,重复步骤S1到S4步骤,直到最大重复次数,获得经训练的车辆再辨识模型。
本申请的实施例还提出了一种无监督车辆再辨识方法,采用上述的无监督车辆再辨识模型训练方法训练得到的经训练的车辆再辨识模型,包括以下步骤:
获取注册车辆图像和查询车辆图像,分别将所述注册车辆图像和查询车辆图像输入所述经训练的车辆再辨识模型,得到查询特征和注册特征,所述查询特征和注册特征均为车辆图像经由所述经训练的车辆再辨识模型中的特征提取单元的输出特征;
分别计算查询特征与注册特征之间的距离,并根据距离进行升序排序,选取排名靠前的注册特征所对应的注册车辆图像作为所述查询车辆图像对应的车辆再辨识结果。
具体的,在测试阶段和部署应用阶段,使用经训练的车辆再辨识模型,分别提取查询车辆图像和注册车辆图像的特征,识别出和查询车辆图像具有相似特征的注册车辆图像,作为该查询车辆图像的车辆再辨识结果。
具体的,使用训练阶段得到经训练的车辆再辨识方法模型,对查询车辆图像和注册车辆图像进行特征提取,得到查询特征和注册特征,该查询特征和注册特征均为经训练的车辆再辨识方法模型的基于ResNet50的特征提取单元中BN层的输出特征,基于所提取的查询特征和注册特征,分别计算查询特征和注册特征之间的距离,并根据距离进行升序排序,选取排名靠前的注册特征所对应的注册车辆图像即为查询车辆图像的车辆再辨识结果。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种无监督车辆再辨识模型训练装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种无监督车辆再辨识模型训练装置,包括:
伪标签获取模块1,被配置为获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将无标签车辆图像训练数据中每个车辆图像输入车辆再辨识模型,得到车辆图像特征,车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,车辆图像特征为特征提取单元的输出特征,对车辆图像特征进行聚类,得到无标签车辆图像训练数据中每个车辆图像对应的伪标签;
随机增强模块2,被配置为对每个车辆图像特征进行多次特征随机增强,得到多组随机增强特征,根据多组随机增强特征计算随机增强后验类别概率;
动态平滑模块3,被配置为基于随机增强后验类别概率对伪标签进行动态平滑,得到动态平滑伪标签;
训练模块4,被配置为基于动态平滑伪标签构建损失函数,基于损失函数采用批量梯度下降法对车辆再辨识模型进行训练,更新车辆再辨识模型;
重复模块5,被配置为重复执行伪标签获取模块至训练模块,直到最大重复次数,获得经训练的车辆再辨识模型。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机装置500包括中央处理单元(CPU)501和图形处理器(GPU)502,其可以根据存储在只读存储器(ROM)503中的程序或者从存储部分509加载到随机访问存储器(RAM)504中的程序而执行各种适当的动作和处理。在RAM 504中,还存储有计算机装置500操作所需的各种程序和数据。CPU 501、GPU502、ROM 503以及RAM 504通过总线505彼此相连。输入/输出(I/O)接口506也连接至总线505。
以下部件连接至I/O接口506:包括键盘、鼠标等的输入部分507;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分508;包括硬盘等的存储部分509;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分510。通信部分510经由诸如因特网的网络执行通信处理。驱动器511也可以根据需要连接至I/O接口506。可拆卸介质512,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器511上,以便于从其上读出的计算机程序根据需要被安装入存储部分509。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分510从网络上被下载和安装,和/或从可拆卸介质512被安装。在该计算机程序被中央处理单元(CPU)501和图形处理器(GPU)502执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取无标签车辆图像训练数据,构建基于深度学***滑,得到动态平滑伪标签;基于动态平滑伪标签构建损失函数,基于损失函数采用批量梯度下降法对车辆再辨识模型进行训练,更新车辆再辨识模型;重复以上步骤,直到最大重复次数,获得经训练的车辆再辨识模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种无监督车辆再辨识模型训练方法,其特征在于,包括以下步骤:
S1,获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将所述无标签车辆图像训练数据中每个车辆图像输入所述车辆再辨识模型,得到车辆图像特征,所述车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,所述车辆图像特征为所述特征提取单元的输出特征,对所述车辆图像特征进行聚类,得到所述无标签车辆图像训练数据中每个车辆图像对应的伪标签,具体包括:
1)从车辆图像特征中随机选取C个对象,作为初始的聚类中心{L1,L2,...,LC},其中,C表示类簇的数量;
2)计算每个车辆图像特征到各个聚类中心的距离,如下式所示:
其中,f表示车辆图像特征,fi表示f的第i维特征,Lz表示第z个聚类中心,Lzi表示Lz的第i维特征,z=1,2,3,...,C,Dist(f,Lz)表示f到第z个聚类中心的距离,d表示特征维数;
3)将每个车辆图像特征归属于距离最近的聚类中心,形成C个类簇;
4)计算每个类簇的均值作为其聚类中心,更新C个聚类中心;
5)迭代步骤2-4,直至聚类中心没有明显变化,得到最终的类簇,每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签;
S2,对每个所述车辆图像特征进行多次特征随机增强,得到多组随机增强特征,具体包括:
随机选择每个所述车辆图像特征的第i维特征中的部分特征数据,并利用均匀分布对所述部分特征数据进行随机放缩,得到随机增强特征,公式如下:
其中,fi表示车辆图像特征f的第i维特征,i是特征维数序号,d是特征维数,g=(g1,g2,g3,...,gd)T是f的随机增强特征,gi是随机增强特征g的第i维特征,RandMask表示产生随机选择特征维数序号集合的函数,RIDX表示其生成的随机选择的特征维数序号集合,该集合通过将从1到d的有序数组打乱后选择前γ%获得,因此RIDX的元素个数为其中表示向下就近取整操作;RandScale表示利用均匀分布对所选择的特征数据进行随机放缩的函数,其中,Uniform(α,β)表示在区间[α,β]上的均匀随机分布,且α<1,β>1,/>表示实数多维空间;
重复以上步骤,得到每个车辆图像特征对应的多组随机增强特征;根据多组所述随机增强特征计算随机增强后验类别概率,具体包括:
根据所述随机增强特征计算后验类别概率,公式如下:
其中,表示对车辆图像特征f的第k次随机增强特征,/>表示实数多维空间,d为特征维数,m表示随机增强次数,FC表示全连接层,通过所述全连接层将输入的随机增强特征gk投影为C维数据,C表示类簇的数量,随后利用Softmax函数层对C维数据进行归一化获得后验类别概率qk;
计算车辆图像特征f的第k次随机增强特征与车辆图像特征之间的相似度,公式如下:
其中,f表示车辆图像特征,表示车辆图像特征f的第k次随机增强特征,d为特征维数,m表示随机增强次数,sk表示f和gk之间的相似度;
根据所述相似度计算后验类别概率对应的权重系数,公式如下:
其中,e是自然常数,τ为温度参数,τ≥1;
根据所述后验类别概率及其对应的权重系数计算随机增强后验类别概率,公式如下:
其中,表示随机增强后验类别概率,qk表示随机增强特征gk对应的后验类别概率;
S3,基于所述随机增强后验类别概率对所述伪标签进行动态平滑,得到动态平滑伪标签,具体包括:
利用随机增强后验类别概率计算赋权能量,公式如下:
其中,pz表示赋权能量第z维的取值,f表示车辆图像特征,Uz表示该车辆图像特征对应的图像属于第z个伪标签,记为 和/>分别表示随机增强后验类别概率/>的第z维的取值和第j维的取值,/>表示车辆图像特征f对应的图像不属于第z个伪标签Uz,/>表示车辆图像特征f对应的图像不属于第j个伪标签Uj,z和j表示伪标签序号;
根据所述赋权能量计算得到动态平滑伪标签,公式如下:
其中,yz表示车辆图像特征f所对应的动态平滑伪标签的第z维的取值,Uz表示该车辆图像特征f对应的图像属于第z个伪标签,记为0<ε<<1表示远小于1但大于0的常数,它保证当/>时,对应的动态平滑伪标签的第z维yz的取值获得最大的峰值地位1-ε,而当/>时,对应的动态平滑伪标签的第z维yz的取值获得最小峰值,且使得全部/>所对应的伪标签的取值根据赋权能量划分ε而非均等划分,实现对伪标签的动态平滑;
S4,基于所述动态平滑伪标签构建损失函数,基于所述损失函数采用批量梯度下降法对所述车辆再辨识模型进行训练,更新车辆再辨识模型;
S5,重复步骤S1到S4,直到最大重复次数,获得经训练的车辆再辨识模型。
2.根据权利要求1所述的无监督车辆再辨识模型训练方法,其特征在于,所述损失函数为基于动态平滑伪标签的交叉熵损失函数Ls,公式如下:
其中,B表示一批次的无标签车辆图像训练数据中车辆图像的总数量,表示第b个车辆图像的动态平滑伪标签的第z维的取值,/>表示第b个车辆图像特征fb通过所述全连接层投影为C维数据,随后利用Softmax函数层对C维数据进行归一化后获得的后验类别概率,/>表示hb的第z维的取值,z=1,2,3,...,C。
3.一种无监督车辆再辨识方法,采用权利要求1-2中任一项所述的无监督车辆再辨识模型训练方法训练得到的经训练的车辆再辨识模型,其特征在于,包括以下步骤:
获取注册车辆图像和查询车辆图像,分别将所述注册车辆图像和查询车辆图像输入所述经训练的车辆再辨识模型,得到查询特征和注册特征,所述查询特征和注册特征均为车辆图像经由所述经训练的车辆再辨识模型中的特征提取单元的输出特征;
分别计算查询特征与注册特征之间的距离,并根据距离进行升序排序,选取排名靠前的注册特征所对应的注册车辆图像作为所述查询车辆图像对应的车辆再辨识结果。
4.一种无监督车辆再辨识模型训练装置,其特征在于,包括:
伪标签获取模块,被配置为获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将所述无标签车辆图像训练数据中每个车辆图像输入所述车辆再辨识模型,得到车辆图像特征,所述车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,所述车辆图像特征为所述特征提取单元的输出特征,对所述车辆图像特征进行聚类,得到所述无标签车辆图像训练数据中每个车辆图像对应的伪标签,具体包括:
1)从车辆图像特征中随机选取C个对象,作为初始的聚类中心{L1,L2,…,LC},其中,C表示类簇的数量;
2)计算每个车辆图像特征到各个聚类中心的距离,如下式所示:
其中,f表示车辆图像特征,fi表示f的第i维特征,Lz表示第z个聚类中心,Lzi表示Lz的第i维特征,z=1,2,3,...,C,Dist(f,Lz)表示f到第z个聚类中心的距离,d表示特征维数;
3)将每个车辆图像特征归属于距离最近的聚类中心,形成C个类簇;
4)计算每个类簇的均值作为其聚类中心,更新C个聚类中心;
5)迭代步骤2-4,直至聚类中心没有明显变化,得到最终的类簇,每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签;
随机增强模块,被配置为对每个所述车辆图像特征进行多次特征随机增强,得到多组随机增强特征,具体包括:
随机选择每个所述车辆图像特征的第i维特征中的部分特征数据,并利用均匀分布对所述部分特征数据进行随机放缩,得到随机增强特征,公式如下:
其中,fi表示车辆图像特征f的第i维特征,i是特征维数序号,d是特征维数,g=(g1,g2,g3,...,gd)T是f的随机增强特征,gi是随机增强特征g的第i维特征,RandMask表示产生随机选择特征维数序号集合的函数,RIDX表示其生成的随机选择的特征维数序号集合,该集合通过将从1到d的有序数组打乱后选择前γ%获得,因此RIDX的元素个数为其中表示向下就近取整操作;RandScale表示利用均匀分布对所选择的特征数据进行随机放缩的函数,其中,Uniform(α,β)表示在区间[α,β]上的均匀随机分布,且α<1,β>1,/>表示实数多维空间;
重复以上步骤,得到每个车辆图像特征对应的多组随机增强特征;根据多组所述随机增强特征计算随机增强后验类别概率,具体包括:
根据所述随机增强特征计算后验类别概率,公式如下:
其中,表示对车辆图像特征f的第k次随机增强特征,/>表示实数多维空间,d为特征维数,m表示随机增强次数,FC表示全连接层,通过所述全连接层将输入的随机增强特征gk投影为C维数据,C表示类簇的数量,随后利用Softmax函数层对C维数据进行归一化获得后验类别概率qk;
计算车辆图像特征f的第k次随机增强特征与车辆图像特征之间的相似度,公式如下:
其中,f表示车辆图像特征,表示车辆图像特征f的第k次随机增强特征,d为特征维数,m表示随机增强次数,sk表示f和gk之间的相似度;
根据所述相似度计算后验类别概率对应的权重系数,公式如下:
其中,e是自然常数,τ为温度参数,τ≥1;
根据所述后验类别概率及其对应的权重系数计算随机增强后验类别概率,公式如下:
其中,表示随机增强后验类别概率,qk表示随机增强特征gk对应的后验类别概率;
动态平滑模块,被配置为基于所述随机增强后验类别概率对所述伪标签进行动态平滑,得到动态平滑伪标签,具体包括:
利用随机增强后验类别概率计算赋权能量,公式如下:
其中,pz表示赋权能量第z维的取值,f表示车辆图像特征,Uz表示该车辆图像特征对应的图像属于第z个伪标签,记为 和/>分别表示随机增强后验类别概率/>的第z维的取值和第j维的取值,/>表示车辆图像特征f对应的图像不属于第z个伪标签Uz,/>表示车辆图像特征f对应的图像不属于第j个伪标签Uj,z和j表示伪标签序号;
根据所述赋权能量计算得到动态平滑伪标签,公式如下:
其中,yz表示车辆图像特征f所对应的动态平滑伪标签的第z维的取值,Uz表示该车辆图像特征f对应的图像属于第z个伪标签,记为0<ε<<1表示远小于1但大于0的常数,它保证当/>时,对应的动态平滑伪标签的第z维yz的取值获得最大的峰值地位1-ε,而当/>时,对应的动态平滑伪标签的第z维yz的取值获得最小峰值,且使得全部/>所对应的伪标签的取值根据赋权能量划分ε而非均等划分,实现对伪标签的动态平滑;
训练模块,被配置为基于所述动态平滑伪标签构建损失函数,基于所述损失函数采用批量梯度下降法对所述车辆再辨识模型进行训练,更新车辆再辨识模型;
重复模块,被配置为重复执行伪标签获取模块至训练模块,直到最大重复次数,获得经训练的车辆再辨识模型。
5.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-2中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311767741.8A CN117437604B (zh) | 2023-12-21 | 2023-12-21 | 无监督车辆再辨识模型训练方法、车辆再辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311767741.8A CN117437604B (zh) | 2023-12-21 | 2023-12-21 | 无监督车辆再辨识模型训练方法、车辆再辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437604A CN117437604A (zh) | 2024-01-23 |
CN117437604B true CN117437604B (zh) | 2024-03-12 |
Family
ID=89550201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311767741.8A Active CN117437604B (zh) | 2023-12-21 | 2023-12-21 | 无监督车辆再辨识模型训练方法、车辆再辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437604B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642547A (zh) * | 2021-10-18 | 2021-11-12 | 中国海洋大学 | 一种基于密度聚类的无监督域适应人物重识别方法及*** |
CN114550110A (zh) * | 2022-01-06 | 2022-05-27 | 中通服中睿科技有限公司 | 一种基于无监督域适应的车辆重识别方法及*** |
CN115439887A (zh) * | 2022-08-26 | 2022-12-06 | 三维通信股份有限公司 | 一种基于伪标签优化的行人重识别方法、***及存储介质 |
CN116310555A (zh) * | 2023-03-20 | 2023-06-23 | 思腾合力(天津)科技有限公司 | 基于车辆属性与局部特征伪标签细化的车辆重识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11170264B2 (en) * | 2019-05-31 | 2021-11-09 | Raytheon Company | Labeling using interactive assisted segmentation |
-
2023
- 2023-12-21 CN CN202311767741.8A patent/CN117437604B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642547A (zh) * | 2021-10-18 | 2021-11-12 | 中国海洋大学 | 一种基于密度聚类的无监督域适应人物重识别方法及*** |
CN114550110A (zh) * | 2022-01-06 | 2022-05-27 | 中通服中睿科技有限公司 | 一种基于无监督域适应的车辆重识别方法及*** |
CN115439887A (zh) * | 2022-08-26 | 2022-12-06 | 三维通信股份有限公司 | 一种基于伪标签优化的行人重识别方法、***及存储介质 |
CN116310555A (zh) * | 2023-03-20 | 2023-06-23 | 思腾合力(天津)科技有限公司 | 基于车辆属性与局部特征伪标签细化的车辆重识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117437604A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347835B (zh) | 文本聚类方法、电子装置及存储介质 | |
CN107526725B (zh) | 基于人工智能的用于生成文本的方法和装置 | |
CN108416310B (zh) | 用于生成信息的方法和装置 | |
EP3542319B1 (en) | Training neural networks using a clustering loss | |
CN111291183A (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
CN111581926B (zh) | 文案生成方法、装置、设备和计算机可读存储介质 | |
CN113761261A (zh) | 图像检索方法、装置、计算机可读介质及电子设备 | |
CN112395487B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN112364937B (zh) | 用户类别确定方法及装置、推荐内容确定方法、电子设备 | |
CN114298122B (zh) | 数据分类方法、装置、设备、存储介质及计算机程序产品 | |
CN113158815A (zh) | 一种无监督行人重识别方法、***及计算机可读介质 | |
JP7504192B2 (ja) | 画像を検索するための方法及び装置 | |
CN111046757A (zh) | 人脸画像生成模型的训练方法、装置及相关设备 | |
CN114358109A (zh) | 特征提取模型训练、样本检索方法、装置和计算机设备 | |
CN114611672A (zh) | 模型训练方法、人脸识别方法及装置 | |
CN115168590A (zh) | 文本特征提取方法、模型训练方法、装置、设备及介质 | |
CN114299304A (zh) | 一种图像处理方法及相关设备 | |
CN111260074B (zh) | 一种超参数确定的方法、相关装置、设备及存储介质 | |
CN117437604B (zh) | 无监督车辆再辨识模型训练方法、车辆再辨识方法及装置 | |
CN116701635A (zh) | 培训视频文本二分类方法、装置、设备及存储介质 | |
CN116957006A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
CN114913921A (zh) | 一种标志基因识别的***和方法 | |
CN113762298B (zh) | 相似人群扩展方法和装置 | |
CN113822324A (zh) | 基于多任务模型的图像处理方法、装置及相关设备 | |
CN109063934B (zh) | 基于人工智能的组合优化结果获取方法、设备及可读介质 |
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 |