CN103793702A - 基于协同尺度学习的行人重识别方法 - Google Patents
基于协同尺度学习的行人重识别方法 Download PDFInfo
- Publication number
- CN103793702A CN103793702A CN201410071721.1A CN201410071721A CN103793702A CN 103793702 A CN103793702 A CN 103793702A CN 201410071721 A CN201410071721 A CN 201410071721A CN 103793702 A CN103793702 A CN 103793702A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- mark
- training sample
- sample set
- scale learning
- 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 33
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 241000271897 Viperidae Species 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于协同尺度学习的行人重识别方法,属于监控视频检索技术领域。本发明首先根据已标注训练样本集L中图像的颜色和纹理特征,进行尺度学习得到相应马氏距离中的协方差矩阵Mc和Mt;随机选择查询对象使用Mc和Mt进行马氏距离度量,得到相应排序结果,从中取得正样本和负样本生成新的已标注训练样本集L,更新Mc和Mt,直到未标注训练样本集U为空,得到最终的标注样本集L*,并融合颜色和纹理特征得到Mf,就可以使用基于Mf的马氏距离函数进行行人重识别。本发明在半监督框架下研究基于尺度学习的行人重识别技术,通过未标注样本辅助标注样本进行尺度学习,符合实际视频侦查应用标注训练样本难以获取的要求,能有效提升少标注样本下的重识别性能。
Description
技术领域
本发明属于监控视频检索技术领域,尤其涉及一种基于协同尺度学习的行人重识别方法。
背景技术
在实际视频侦查中,侦查员主要根据特定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标。传统基于人工浏览的视频侦查模式需要耗费大量的人力和时间、效率低下,极易贻误破案时机。行人重识别是一种针对特定行人对象的监控视频检索技术,即在照射区域无重叠的多摄像头下匹配同一行人对象。便于视频侦查员快速、准确地发现嫌疑目标活动画面和轨迹,对公安部门提高破案率、维护人民群众生命财产安全具有重要意义。
行人重识别技术主要包含两个步骤:特征提取和距离度量。在距离度量研究中,传统方法一般采用标准的距离函数度量行人间的相似性,如欧式距离、巴氏距离等。近年来,研究者研究基于尺度学习的行人重识别方法。通过训练样本学习一个合适距离函数,以便进行更准确的相似性度量。由于考虑了样本的特性,该方法常常比标准距离函数更加准确。例如文献1找到一个超平面,使得邻域内的同类点之间紧缩,不同类的点的间隔尽可能大(参见:Kilian Q.Weinberger,John Blitzer,and Lawrence K.Saul,“Distance metric learning for largemargin nearest neighbor classification”,Journal of Machine Learning Research(JMLR),Vol.10,PP.207–244,2009.)。
为了保证学习得到的距离尺度的鲁棒性,现有基于尺度学习的方法一般需要大量的训练样本,例如使用一半数据作为训练样本、另一半作为测试样本。但是实际视频侦查应用的时效性要求很高,一旦案件发生,侦查人员往往需要在最短的时间内调回大量的视频监控数据进行嫌疑目标的分析研判。而人工标注的效率非常低下,标注训练样本难以充分获取,导致现有方法性能急剧下降。换个角度看,在实际视频侦查工作中,未标注样本数量远多于已标注样本,并且容易获取。通过未标注样本辅助已标注样本进行距离学习,可以在保证学习性能的前提下尽量减少对于训练样本数量的依赖。
发明内容
针对现有技术存在的不足,本发明提供了一种基于协同尺度学习的行人重识别方法,该方法在少量标注训练样本条件下,可以提升多摄像头下同一行人匹配的准确性。
本发明提出了一种基于协同尺度学习的行人重识别方法,其特征在于:设给定长度为l的已标注训练样本集已标注行人训练样本xi,a和xi,b分别是第i个标注行人在摄像头a和b下的图像,构成行人图像对,yi是第i个标注行人的标识,i的取值为1,2,…,l;长度为u的未标注行人训练样本集图像xj是来源于摄像头a或b的第j个未标注行人训练样本,j的取值为1,2,…,u;
包括执行以下步骤,
步骤一,针对已标注训练样本集L,根据已标注训练样本集L中图像的颜色特征,并进行尺度学习,得到相应马氏距离中的协方差矩阵,记为投影矩阵Mc;根据已标注训练样本集L中图像的纹理特征,并进行尺度学习,得到相应马氏距离中的协方差矩阵,记为投影矩阵Mt;
步骤二,从未标注训练样本集U中随机选择m个摄像头a下的未标注行人训练样本x'j,a作为查询对象、n个摄像头b下的未标注行人训练样本x'j,b作为待查对象;针对每个查询对象x'j,a,使用Mc进行马氏距离度量,按计算结果从高到低得到各待查对象的排序结果在使用Mt进行马氏距离度量,按计算结果从高到低得到各待查对象的排序结果其中,m和n为预设参数;
步骤三,针对每个查询对象x'j,a,选取和中前P个结果中相同的结果得到查询对象x'j,a的正样本,取和中后N个结果中相同的结果得到查询对象x'j,a的负样本,将所得正、负样本及查询对象x'j,a加入当前的已标注训练样本集L中并从未标注训练样本集U中去掉,生成新的已标注训练样本集L,返回步骤一更新Mc和Mt,直到未标注训练样本集U为空,得到最终的已标注训练样本集L,记为标注样本集L*;其中,P和N为预设参数;
步骤四,对标注样本集L*中图像融合颜色特征和纹理特征并进行尺度学习,得到相应马氏距离中的协方差矩阵Mf,最后基于Mf进行测试。
而且,所述马氏距离的函数定义如下,
给定两个图像的特征向量Oa和Ob,两者的距离D(Oa,Ob)定义为,
D(Oa,Ob)=(Oa-Ob)TM(Oa-Ob) (1)
其中,M是一个半定矩阵,(Oa-Ob)T是(Oa-Ob)的转置。
而且,通过极小化同一行人距离与不同行人距离的差值,求解M,求解时使用经典的随机梯度下降进行算法进行尺度学习得到结果。
与现有基于尺度学习的行人重识别技术相比,本发明具有以下优点:
1)本发明在半监督框架下研究基于尺度学习的行人重识别技术,通过未标注样本辅助标注样本进行尺度学习,符合实际视频侦查应用标注训练样本难以获取的要求;
2)提出一种新的半监督尺度学习方法,通过引入协同训练方法进行尺度学习,能有效提升少标注样本下的重识别性能。
附图说明
图1为本发明实施例的流程图。
具体实施方式
本发明技术方案可采用计算机软件实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。
实施例采用MATLAB7作为仿真实验平台,在常用的行人检索数据集VIPeR上进行测试。VIPeR数据集有两个摄像头下的632个行人图像对,两个摄像头之间存在明显的视角、光照等差异。如图1,实施例技术方案的流程如下:
给定长度为l的标注行人样本对集合即已标注训练样本集,已标注行人训练样本xi,a和xi,b分别是第i个标注行人在摄像头a和b下的图像,构成行人图像对,yi是该行人的标识,i的取值为1,2,…,l。长度为u的未标注行人训练样本集图像xj是来源于摄像头a或b的第j个未标注行人训练样本,j的取值为1,2,…,u。u为偶数。
VIPeR数据集中两摄像头下共有632个行人图像对,随机选其中316对提供训练样本,316对提供测试样本。训练样本中已标注样本集为L,其长度l为50;未标注样本集为U,因为未标注行人训练样本并非以行人图像对为单位计算长度,而是以图像为单位,其长度u为266×2。测试样本集T中的316×2张图像的配对,是本流程的求取目标。
步骤一:针对已标注训练样本集L,通过学习其颜色和纹理特征得到基于颜色特征的投影矩阵Mc、基于纹理特征的投影矩阵Mt。
实施例针对已标注训练样本集L,提取已标注训练样本集L中每张图像的颜色特征,并进行尺度学习,得到相应马氏距离中的协方差矩阵,记为投影矩阵Mc。同理,提取已标注训练样本集L中每张图像的纹理特征,并通过尺度学习得到相应马氏距离中的协方差矩阵,记为投影矩阵Mt。
以下提供实施例中本步骤的具体实现说明:
a.颜色及纹理特征提取
行人图像由8×16像素的窗口以8×8的步长进行分块,提取各块上的颜色特征和纹理特征。颜色特征和纹理特征的提取方式,可由本领域技术人员自行设定,例如:
颜色特征可使用RGB颜色特征,每种特征表示成24维。最后将得到的每个块的RGB颜色特征进行连接,就得到了整幅图的颜色特征。
纹理特征可使用LBP(局部二值模式),表示为59维。纹理特征使用现有的LBP方法,对于块中的每个像素,将其环形邻域内的8个点进行顺时针比较,若中心像素值比该邻点大,则将邻点赋值为1,否则赋值为0,这样每个点都会获得一个8位二进制数。然后计算每个块的直方图,然后对该直方图进行归一化处理。最后将得到的每个块的统计直方图进行连接,就得到了整幅图的LBP纹理特征。主成分分析为现有技术,本发明不予赘述。
b.获得投影矩阵Mc及Mt
利用a中所得颜色特征或纹理特征提取结果表示已标注样本,然后,通过尺度学习方法学习马氏距离函数,得到马氏距离中的协方差矩阵。
给定分别来自摄像头a和b下的两个图像的特征表示Oa和Ob,两者的马氏距离D(Oa,Ob)定义为:
D(Oa,Ob)=(Oa-Ob)TM(Oa-Ob) (1)
其中,M是一个半定矩阵,可预先设定初值,(Oa-Ob)T是(Oa-Ob)的转置。通过极小化同一行人距离与不同行人距离的差值,求解M。
在极小上述距离D(Oa,Ob)求解M时,使用经典的随机梯度下降进行算法进行尺度学习,进而求得Mc及Mt。Oa和Ob采用颜色特征时,可求得Mc,Oa和Ob采用纹理特征时,可求得Mt。初次进行本步骤时,学习过程中,可以xi,a和xi,b为正样本对,以xi,a和xz,b为负样本对,其中,z的取值为1,2,…,l,z≠i。后续迭代进行本步骤时,根据上一轮执行步骤三更新的已标注训练样本集L中正负样本对进行。通过极小化正样本对的马氏距离与负样本对的马氏距离的差值,求解M。
步骤二:分别利用步骤一中获得的投影矩阵Mc及Mt对未标注训练样本进行相似性度量,并获得排序。本步骤从未标注训练样本集U中随机选择一些行人对象作为查询和待测,分别使用基于Mc和Mt的马氏距离函数度量查询行人和待测行人集的相似性,从而对待测行人集进行排序。
实施例从未标注训练样本集中随机选择m个摄像头a下的行人样本x'j,a(构成集合)作为查询对象、n个摄像头b下的行人样本x'j,b(构成集合)作为待查对象。分别使用基于Mc和Mt的马氏距离计算和的相似性。针对每个查询对象x'j,a,使用Mc进行马氏距离度量时,按计算结果从高到低得到的排序结果在使用Mt进行马氏距离度量时,按计算结果从高到低得到的排序结果m和n值可由本领域技术人员预先设定。
步骤三:选择步骤二所得两次排序结果中都出现的前P’个结果作为正样本、后N’个结果作为负样本。将上述正、负样本加入已标注训练样本集L中,生成新的标注集,进而更新Mc和Mt。上述过程反复迭代,直到对所有的未标注训练样本完成标注,并得到最终的标注样本集L*。
实施例取和中前P个结果中相同的结果(设有P’个)作为查询对象x'j,a的正样本,得到P’个新的正样本对,取和中后N个结果中相同的结果(设有N’个)作为查询x'j,a的负样本。得到N’个新的负样本对。P和N值可由本领域技术人员预先设定,P’和N’的数值则根据实际结果得到,例如P’=3,N’=6。将每个查询x'j,a以及相应P’+N’个样本加入到当前的已标注训练样本集L中,并在未标注训练样本集U中去掉相应样本,得到的标注样本集L’作为新的已标注训练样本集L,返回步骤一重新训练Mc和Mt。上述过程反复迭代,直到对所有的未标注训练样本完成标注,即最终得到的已标注训练样本集L记为标注样本集L*。
步骤四:融合颜色和纹理特征对行人进行外貌表示,在标注样本集L*上训练最终的马氏距离协方差矩阵Mf,最后基于Mf进行测试。
同样,标注样本集L*中每个行人图像由8×16像素的窗口以8×8的步长进行分块,提取各块上的颜色特征和纹理特征。颜色特征使用RGB颜色特征,每种特征表示成24维。纹理特征使用LBP(局部二值模式),表示为59维。本步骤将所有窗口中的颜色和纹理特征拼接成一个长向量,并将该长向量通过PCA(主成分分析)降维至400维,用于表示行人对象的外貌特征。
然后,基于所得400维的特征向量,采用与获得投影矩阵Mc及Mt一致的方式,通过尺度学习方法学习马氏距离函数,根据样本训练得到的距离度量矩阵代替马氏距离中的协方差矩阵,得到最终的马氏距离协方差矩阵Mf。
实施例采用测试数据集T,基于Mf进行测试,即采用马氏距离函数,得到测试样本集T中的316×2张图像的配对,即获取316个行人图像对。
为便于说明本发明效果起见,可对测试样本进行查询,并计算其CMC值,此处CMC值是指返回前r个结果中有正确行人对象的概率。当返回前r个结果时,CMC值越高,表示行人检索性能越好。每个测试样本进行k次查询,计算k次查询平均CMC值,并输出,此处k取10。对比文献1和基于协同尺度学习的行人重识别方法的平均CMC值,见表1。从表1中可以发现,本发明的行人重识别方法的检索性能明显优于对比算法。
表1在VIPeR上分别返回前r=1、10、25、50个结果时的平均CMC值(%)
方法 | 1 | 10 | 20 |
文献1方法 | 7 | 28 | 40 |
本发明方法 | 10 | 38 | 50 |
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于协同尺度学习的行人重识别方法,其特征在于:设给定长度为l的已标注训练样本集已标注行人训练样本xi,a和xi,b分别是第i个标注行人在摄像头a和b下的图像,构成行人图像对,yi是第i个标注行人的标识,i的取值为1,2,…,l;长度为u的未标注行人训练样本集图像xj是来源于摄像头a或b的第j个未标注行人训练样本,j的取值为1,2,…,u;
包括执行以下步骤,
步骤一,针对已标注训练样本集L,根据已标注训练样本集L中图像的颜色特征,并进行尺度学习,得到相应马氏距离中的协方差矩阵,记为投影矩阵Mc;根据已标注训练样本集L中图像的纹理特征,并进行尺度学习,得到相应马氏距离中的协方差矩阵,记为投影矩阵Mt;
步骤二,从未标注训练样本集U中随机选择m个摄像头a下的未标注行人训练样本x'j,a作为查询对象、n个摄像头b下的未标注行人训练样本x'j,b作为待查对象;针对每个查询对象x'j,a,使用Mc进行马氏距离度量,按计算结果从高到低得到各待查对象的排序结果在使用Mt进行马氏距离度量,按计算结果从高到低得到各待查对象的排序结果其中,m和n为预设参数;
步骤三,针对每个查询对象x'j,a,选取和中前P个结果中相同的结果得到查询对象x'j,a的正样本,取和中后N个结果中相同的结果得到查询对象x'j,a的负样本,将所得正、负样本及查询对象x'j,a加入当前的已标注训练样本集L中并从未标注训练样本集U中去掉,生成新的已标注训练样本集L,返回步骤一更新Mc和Mt,直到未标注训练样本集U为空,得到最终的已标注训练样本集L,记为标注样本集L*;其中,P和N为预设参数;
步骤四,对标注样本集L*中图像融合颜色特征和纹理特征并进行尺度学习,得到相应马氏距离中的协方差矩阵Mf,最后基于Mf进行测试。
2.如权利要求1所述的基于协同尺度学习的行人重识别方法,其特征在于:所述马氏距离的函数定义如下,
给定两个图像的特征向量Oa和Ob,两者的距离D(Oa,Ob)定义为,
D(Oa,Ob)=(Oa-Ob)TM(Oa-Ob) (1)
其中,M是一个半定矩阵,(Oa-Ob)T是(Oa-Ob)的转置。
3.如权利要求2所述的基于协同尺度学习的行人重识别方法,其特征在于:通过极小化同一行人距离与不同行人距离的差值,求解M,求解时使用经典的随机梯度下降进行算法进行尺度学习得到结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410071721.1A CN103793702B (zh) | 2014-02-28 | 2014-02-28 | 基于协同尺度学习的行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410071721.1A CN103793702B (zh) | 2014-02-28 | 2014-02-28 | 基于协同尺度学习的行人重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793702A true CN103793702A (zh) | 2014-05-14 |
CN103793702B CN103793702B (zh) | 2017-02-01 |
Family
ID=50669347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410071721.1A Expired - Fee Related CN103793702B (zh) | 2014-02-28 | 2014-02-28 | 基于协同尺度学习的行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793702B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104200206A (zh) * | 2014-09-09 | 2014-12-10 | 武汉大学 | 一种基于双角度排序优化的行人重识别方法 |
CN104715071A (zh) * | 2015-04-02 | 2015-06-17 | 武汉大学 | 一种基于不完整文本描述的特定行人检索方法 |
CN104850832A (zh) * | 2015-05-06 | 2015-08-19 | 中国科学院信息工程研究所 | 一种基于分级迭代的大规模图像样本标注方法及系统 |
CN105005760A (zh) * | 2015-06-11 | 2015-10-28 | 华中科技大学 | 一种基于有限混合模型的行人再识别方法 |
CN105005797A (zh) * | 2015-08-10 | 2015-10-28 | 武汉大学 | 一种基于阴阳双目标样本的太极相对距离度量方法 |
CN105117740A (zh) * | 2015-08-21 | 2015-12-02 | 北京旷视科技有限公司 | 字体识别方法及装置 |
CN105224937A (zh) * | 2015-11-13 | 2016-01-06 | 武汉大学 | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 |
CN105989369A (zh) * | 2015-02-15 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于度量学习的行人再识别方法 |
CN106803063A (zh) * | 2016-12-21 | 2017-06-06 | 华中科技大学 | 一种行人重识别的度量学习方法 |
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107330397A (zh) * | 2017-06-28 | 2017-11-07 | 苏州经贸职业技术学院 | 一种基于大间隔相对距离度量学习的行人重识别方法 |
CN107563344A (zh) * | 2017-09-18 | 2018-01-09 | 天津师范大学 | 一种基于语义区域测度学习的行人再识别方法 |
CN107679465A (zh) * | 2017-09-20 | 2018-02-09 | 上海交通大学 | 一种基于生成网络的行人重识别数据生成和扩充方法 |
CN108921064A (zh) * | 2018-06-21 | 2018-11-30 | 西安理工大学 | 基于多特征融合的行人重识别方法 |
CN111126135A (zh) * | 2019-11-11 | 2020-05-08 | 上海蠡图信息科技有限公司 | 一种基于统一划分的特征自适应行人再识别方法 |
CN111274958A (zh) * | 2020-01-20 | 2020-06-12 | 福州大学 | 一种网络参数自纠正的行人重识别方法及系统 |
CN112307995A (zh) * | 2020-11-05 | 2021-02-02 | 电子科技大学 | 一种基于特征解耦学习的半监督行人重识别方法 |
CN112766347A (zh) * | 2021-01-12 | 2021-05-07 | 合肥黎曼信息科技有限公司 | 一种结合标注质量控制的主动学习方法 |
CN112823356A (zh) * | 2020-12-04 | 2021-05-18 | 康佳集团股份有限公司 | 一种行人重识别方法、装置及系统 |
CN113240715A (zh) * | 2021-05-29 | 2021-08-10 | 刘文平 | 多重特征驱动的相似度量学习人物检索法 |
CN113569967A (zh) * | 2021-07-30 | 2021-10-29 | 昆明学院 | 一种基于监督机器学习的茶叶杂质数据标注方法 |
CN115166032A (zh) * | 2022-05-23 | 2022-10-11 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325122B (zh) * | 2013-07-03 | 2016-01-20 | 武汉大学 | 基于双向排序的行人检索方法 |
CN103500345A (zh) * | 2013-09-29 | 2014-01-08 | 华南理工大学 | 一种基于距离度量学习行人重验证的方法 |
-
2014
- 2014-02-28 CN CN201410071721.1A patent/CN103793702B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
MARTIN KOSTINGER等: "Large Scale Metric Learning from Equivalence Constraints", 《2012 IEEE》 * |
QINGMING LENG等: "BIDIRECTIONAL RANKING FOR PERSON RE-IDENTIFICATION", 《MULTIMEDIA AND EXPO(ICME)》 * |
YIMIN WANG等: "Person Re-identication by Smooth Metric Learning", 《ADVANCES IN MULTIMEDIA INFORMATION PROCESSING-PCM2013》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104050361B (zh) * | 2014-06-04 | 2017-06-23 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104200206A (zh) * | 2014-09-09 | 2014-12-10 | 武汉大学 | 一种基于双角度排序优化的行人重识别方法 |
CN105989369B (zh) * | 2015-02-15 | 2020-07-31 | 中国科学院西安光学精密机械研究所 | 基于度量学习的行人再识别方法 |
CN105989369A (zh) * | 2015-02-15 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于度量学习的行人再识别方法 |
CN104715071B (zh) * | 2015-04-02 | 2017-10-03 | 武汉大学 | 一种基于不完整文本描述的特定行人检索方法 |
CN104715071A (zh) * | 2015-04-02 | 2015-06-17 | 武汉大学 | 一种基于不完整文本描述的特定行人检索方法 |
CN104850832A (zh) * | 2015-05-06 | 2015-08-19 | 中国科学院信息工程研究所 | 一种基于分级迭代的大规模图像样本标注方法及系统 |
CN104850832B (zh) * | 2015-05-06 | 2018-10-30 | 中国科学院信息工程研究所 | 一种基于分级迭代的大规模图像样本标注方法及系统 |
CN105005760A (zh) * | 2015-06-11 | 2015-10-28 | 华中科技大学 | 一种基于有限混合模型的行人再识别方法 |
CN105005760B (zh) * | 2015-06-11 | 2018-04-24 | 华中科技大学 | 一种基于有限混合模型的行人再识别方法 |
CN105005797B (zh) * | 2015-08-10 | 2018-06-12 | 武汉大学 | 一种基于阴阳双目标样本的太极相对距离度量方法 |
CN105005797A (zh) * | 2015-08-10 | 2015-10-28 | 武汉大学 | 一种基于阴阳双目标样本的太极相对距离度量方法 |
CN105117740A (zh) * | 2015-08-21 | 2015-12-02 | 北京旷视科技有限公司 | 字体识别方法及装置 |
CN105224937B (zh) * | 2015-11-13 | 2018-04-20 | 武汉大学 | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 |
CN105224937A (zh) * | 2015-11-13 | 2016-01-06 | 武汉大学 | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 |
CN106803063B (zh) * | 2016-12-21 | 2019-06-28 | 华中科技大学 | 一种行人重识别的度量学习方法 |
CN106803063A (zh) * | 2016-12-21 | 2017-06-06 | 华中科技大学 | 一种行人重识别的度量学习方法 |
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107133601B (zh) * | 2017-05-13 | 2021-03-23 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107330397A (zh) * | 2017-06-28 | 2017-11-07 | 苏州经贸职业技术学院 | 一种基于大间隔相对距离度量学习的行人重识别方法 |
CN107330397B (zh) * | 2017-06-28 | 2020-10-02 | 苏州经贸职业技术学院 | 一种基于大间隔相对距离度量学习的行人重识别方法 |
CN107563344A (zh) * | 2017-09-18 | 2018-01-09 | 天津师范大学 | 一种基于语义区域测度学习的行人再识别方法 |
CN107563344B (zh) * | 2017-09-18 | 2020-07-28 | 天津师范大学 | 一种基于语义区域测度学习的行人再识别方法 |
CN107679465A (zh) * | 2017-09-20 | 2018-02-09 | 上海交通大学 | 一种基于生成网络的行人重识别数据生成和扩充方法 |
CN107679465B (zh) * | 2017-09-20 | 2019-11-15 | 上海交通大学 | 一种基于生成网络的行人重识别数据生成和扩充方法 |
CN108921064A (zh) * | 2018-06-21 | 2018-11-30 | 西安理工大学 | 基于多特征融合的行人重识别方法 |
CN108921064B (zh) * | 2018-06-21 | 2021-09-10 | 西安理工大学 | 基于多特征融合的行人重识别方法 |
CN111126135B (zh) * | 2019-11-11 | 2023-12-01 | 上海蠡图信息科技有限公司 | 一种基于统一划分的特征自适应行人再识别方法 |
CN111126135A (zh) * | 2019-11-11 | 2020-05-08 | 上海蠡图信息科技有限公司 | 一种基于统一划分的特征自适应行人再识别方法 |
CN111274958B (zh) * | 2020-01-20 | 2022-10-04 | 福州大学 | 一种网络参数自纠正的行人重识别方法及系统 |
CN111274958A (zh) * | 2020-01-20 | 2020-06-12 | 福州大学 | 一种网络参数自纠正的行人重识别方法及系统 |
CN112307995B (zh) * | 2020-11-05 | 2022-03-25 | 电子科技大学 | 一种基于特征解耦学习的半监督行人重识别方法 |
CN112307995A (zh) * | 2020-11-05 | 2021-02-02 | 电子科技大学 | 一种基于特征解耦学习的半监督行人重识别方法 |
CN112823356A (zh) * | 2020-12-04 | 2021-05-18 | 康佳集团股份有限公司 | 一种行人重识别方法、装置及系统 |
CN112823356B (zh) * | 2020-12-04 | 2024-05-28 | 康佳集团股份有限公司 | 一种行人重识别方法、装置及系统 |
CN112766347A (zh) * | 2021-01-12 | 2021-05-07 | 合肥黎曼信息科技有限公司 | 一种结合标注质量控制的主动学习方法 |
CN113240715A (zh) * | 2021-05-29 | 2021-08-10 | 刘文平 | 多重特征驱动的相似度量学习人物检索法 |
CN113569967A (zh) * | 2021-07-30 | 2021-10-29 | 昆明学院 | 一种基于监督机器学习的茶叶杂质数据标注方法 |
CN113569967B (zh) * | 2021-07-30 | 2023-01-10 | 昆明学院 | 一种基于监督机器学习的茶叶杂质数据标注方法 |
CN115166032A (zh) * | 2022-05-23 | 2022-10-11 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
CN115166032B (zh) * | 2022-05-23 | 2024-04-19 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103793702B (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793702A (zh) | 基于协同尺度学习的行人重识别方法 | |
CN106250870B (zh) | 一种联合局部和全局相似性度量学习的行人再识别方法 | |
Branson et al. | From Google Maps to a fine-grained catalog of street trees | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN107506793B (zh) | 基于弱标注图像的服装识别方法及系统 | |
CN109784392B (zh) | 一种基于综合置信的高光谱图像半监督分类方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN103325122B (zh) | 基于双向排序的行人检索方法 | |
CN104298992B (zh) | 一种基于数据驱动的自适应尺度行人重识别方法 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
JP2019514123A (ja) | 地理的領域におけるコンテナ内に格納された量の遠隔決定 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN107506703A (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
CN104615986B (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 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
Wang et al. | 3d pose estimation for fine-grained object categories | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
CN103824090A (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
CN103500345A (zh) | 一种基于距离度量学习行人重验证的方法 | |
CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
Li et al. | Codemaps-segment, classify and search objects locally | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170201 |