CN105095870B - 基于迁移学习的行人重识别方法 - Google Patents

基于迁移学习的行人重识别方法 Download PDF

Info

Publication number
CN105095870B
CN105095870B CN201510445055.8A CN201510445055A CN105095870B CN 105095870 B CN105095870 B CN 105095870B CN 201510445055 A CN201510445055 A CN 201510445055A CN 105095870 B CN105095870 B CN 105095870B
Authority
CN
China
Prior art keywords
pedestrian
camera
neural network
source domain
input
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
CN201510445055.8A
Other languages
English (en)
Other versions
CN105095870A (zh
Inventor
章东平
徐佳慧
孙敏
徐丽园
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.)
China Jiliang University
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN201510445055.8A priority Critical patent/CN105095870B/zh
Publication of CN105095870A publication Critical patent/CN105095870A/zh
Application granted granted Critical
Publication of CN105095870B publication Critical patent/CN105095870B/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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于迁移学习的行人重识别方法，主要解决摄像头下待重识别行人样本较少问题。该方法的主要步骤为：（1）行人前景分割。得到不同场景下不同摄像头中的已知行人；（2）特征提取。提取已知行人的特征；（3）源领域改进的神经网络模型学习。通过改进的神经网络模型进行学习，得到模型参数；（4）源领域到目标领域的迁移学习。通过将模型参数迁移到目标领域改进的神经网络模型参数上，学习得目标领域模型参数；（5）行人重识别。使用目标领域改进的神经网络模型进行行人重识别判别。

Description

基于迁移学习的行人重识别方法
技术领域
本发明属于智能监控领域，具体涉及一种监控视频中行人重识别方法。
背景技术
近年来，视频监控系统大量普及，特别在公共安全方面显得尤为突出，对打击犯罪、维护社会稳定方面起着举足轻重的作用。在监控系统中对特定目标进行重识别是公共安全领域的重要组成部分。随着技术的发展和应用需求的增加，重识别问题正逐渐发展为研究的热点。但是在实际条件下，如果待重识别目标在摄像头下出现的次数较少时，以致于能使用的样本数据比较少，影响对重识别模型的建立，最后容易造成目标的错误识别。
发明内容
针对现有技术中存在监控网络中行人重识别准确率低、精度不高，当目标行人在已知摄像头下出现的不频繁时，可使用的样本就比较少等一系列问题，本发明提出使用迁移学习的方法去解决行人重识别问题，它是一种运用已存有的知识对不同但相关领域问题进行求解的新的机器学习方法。其中，具有已知知识的领域称为源领域，待学习的领域称为目标领域，将关于已知行人的摄像机的模型参数作为源领域，将关于待重识别行人的摄像机模型参数作为目标领域。
包括步骤如下：
步骤一、行人前景分割；
步骤二、行人特征提取；
步骤三、源领域改进的神经网络模型学习；
步骤四、源领域到目标领域的迁移学习；
步骤五、进行行人重识别；
所述步骤一包括如下步骤：采用GrabCut算法对出现已知行人的所有摄像头视频序列的每一帧进行已知行人前景分割，该算法利用了图像中的纹理颜色信息和边界反差信息，再通过用户指定一些像素属于行人目标；
所述步骤二包括如下步骤：采用人体对称模型将提取出的已知行人分为头部、左上肢、右上肢、左腿、右腿五个感兴趣区域，提取每个区域的颜色特征、边缘特征、纹理特征，那么，第z个区域的特征标记为：Cz，z＝1，2，3，4，5；
所述步骤三包括如下步骤：采用改进的三层神经网络模型作为行人重识别判别模型，即：将两个在不同场景不同摄像头下的行人特征作为模型的输入，并将两个行人的第z个区域的特征同时且仅输入到隐藏层的第z个节点，再将隐藏层所有节点的值输入到输出层，输出最后的值代表着输入的两个行人特征是否为同一人的：
(3a)选择源领域训练样本：选择两个在不同摄像头下的已知行人的特征作为改进的神经网络的输入向量：同时，对其进行人工标注，得到源领域训练样本：[Is,Y]；其中，Is表示在源领域下改进的神经网络模型输入层的输入向量，表示在场景a下第i个摄像头中行人m的第z个感兴趣区域的特征，表示在场景k下第j个摄像头中行人n的第z个感兴趣区域的特征；相对应的，Y＝{1，-1}，当行人m与行人n为同一个人时，输出标签为 Y＝1；当行人m与行人n不是同一个人时，输出标签为Y＝-1；
(3b)将步骤(3a)得到的源领域训练样本[Is,Y]输入到改进的神经网络模型中，则第z个隐藏层的节点的输入为：
接着从隐藏层到输出层，我们满足：
通过误差反向传播算法，得到改进的神经网络模型参数ωij，反映了摄像头 i与j之间的联系；其中，ωxz是输入向量到隐藏层对应的连接权值，ωyz是输入向量到隐藏层对应的连接权值，ωhz是隐藏层节点到输出层对应的连接权值，b是隐藏层各个神经元的阈值，b′是输出层神经元的阈值。
进一步的，所述步骤四包括如下步骤：通过源领域的神经网络模型参数ωij辅助学习在目标领域中待重识别行人M的神经网络模型参数
(4a)如步骤一所述，将场景a下的摄像头i、i′中的待重识别行人M进行行人前景分割，如步骤二所述，对场景a下的两个摄像头中的待重识别行人M进行特征提取，并对其特征向量进行组合，记为：表示待重识别行人M在场景a中的第i、i′个摄像头下的第z个感兴趣区域的特征表示，同时，对其人工进行标注，此时可以得到目标领域训练样本：[IT,Y]，因为两者均是行人M的特征表示，可得标签Y＝1；
(4b)将第(4a)步得到的[IT,Y]结合步骤三 得到的神经网络模型参数ωij去学习
其中Y满足：
最小化优化方程L，通过将无限接近源领域知识ωij，获得最优的t表示源领域中得到的第t个模型参数，U是根据步骤三得到的在源领域中模型参数的总个数，l是一个损失函数，用于评估实际模型的有效性；ξj是松弛变量，用于测量误分类的程度，N表示步骤(4a)中得到的训练样本的总数。
进一步的，步骤五包括如下步骤：判断摄像头j的视频中是否出现了摄像头 i视频中出现的行人M；
(5a)通过步骤四得到可以获得关于行人M的改进的神经网络行人重识别判别模型：
(5b)根据步骤一所述，对摄像头j的视频序列中的所有行人进行分割，假设一共有R个行人，根据步骤二所述，对这些行人进行特征提取，记为：表示在场景k下的摄像头j下的第e个行人的第z个区域的特征表示，将这R个行人分别与在场景a下的摄像头i下的行人M进行组合，得到测试输入向量：e＝1,2,...,R，将IT输入到步骤(5a)得到的改进的神经网络行人重识别判别模型中，得到Ye′；此时，取最接近1的Ye′，且Ye′∈[1-σ,1+σ]，则场景k中存在行人M；否则，不存在，其中σ为波动参数，使得得到的标签值能在一定范围内浮动。
附图说明
图1是本发明的基于迁移学习的行人重识别方法的总流程图。
图2是本发明的场景示意图。
图3是改进的神经网络模型示意图。
具体实施方式
下面结合附图对本发明作进一步说明。如图1、2、3所示，本发明基于迁移学习的行人重识别方法包括步骤如下：
步骤1、行人前景分割。采用GrabCut算法对出现已知行人的所有摄像头视频序列的每一帧进行已知行人前景分割，该算法利用了图像中的纹理颜色信息和边界(反差)信息，再通过用户指定一些像素属于目标，即可得到比较好的分割结果。并且，我们已经知道这些已知行人在摄像头中的出现情况。
步骤2、行人特征提取。采用人体对称模型将提取出的已知行人分为头部、左上肢、右上肢、左腿、右腿五个感兴趣区域，提取每个区域的颜色特征、边缘特征、纹理特征，第z个区域的特征标记为：Cz，z＝1，2，3，4，5。
步骤3、源领域改进的神经网络模型学习。采用改进的三层神经网络模型作为行人重识别判别模型，即：将两个在不同场景不同摄像头下的行人特征作为模型的输入，并将两个行人的第z个区域的特征同时且仅输入到隐藏层的第z个节点，再将隐藏层所有节点的值输入到输出层，输出最后的值，代表着输入的两个行人特征是否为同一人的。改进的神经网络模型如图3所示。
(3a)选择源领域训练样本。选择两个在不同摄像头下的已知行人的特征作为改进的神经网络的输入向量：同时，对其进行人工标注，得到源领域训练样本：[Is,Y]。其中，Is表示在源领域下改进的神经网络模型输入层的输入向量，表示在场景a下第i个摄像头中行人m的第z个感兴趣区域的特征，表示在场景k下第j个摄像头中行人n的第z个感兴趣区域的特征。相对应的，Y＝{1，-1}，当行人m与行人n为同一个人时，输出标签为Y＝1；当行人m与行人n不是同一个人时，输出标签为Y＝-1。
(3b)将步骤(3a)得到的源领域训练样本[Is,Y]输入到改进的神经网络模型中。则第z个隐藏层的节点的输入为：
接着从隐藏层到输出层，我们满足：
通过误差反向传播算法，得到改进的神经网络模型参数ωij，反映了摄像头 i与j之间的联系；其中，ωxz是输入向量到隐藏层对应的连接权值，ωyz是输入向量到隐藏层对应的连接权值，ωhz是隐藏层节点到输出层对应的连接权值，b是隐藏层各个神经元的阈值，b′是输出层神经元的阈值。
步骤4、源领域到目标领域的迁移学习。迁移学习是一种运用已存有的知识对不同但相关领域问题进行求解的新的机器学习方法。因此，我们通过源领域的模型参数ωij辅助学习在目标领域中待重识别行人M的神经网络模型参数 (4a)如步骤1所述，将场景a下的摄像头i、i′中的待重识别行人M进行行人前景分割，如步骤2所述，对场景a下的两个摄像头中的待重识别行人M进行特征提取，并对其特征向量进行组合，记为：表示待重识别行人M在场景a中的第i、i′个摄像头下的第z个感兴趣区域的特征表示，同时，对其进行人工标注。此时可以得到目标领域训练样本：[IT,Y]，因为两者均是行人M的特征表示，可得标签Y＝1。
(4b)将第(4a)步得到的[IT,Y]结合步骤3得到的ωij去学习
最小化优化方程L，通过将无限接近源领域知识ωij，获得最优的t表示源领域中得到的第t个模型参数，U是根据步骤3得到的在源领域中模型参数的总个数，N表示步骤(4a)中得到的训练样本的总数。l是一个损失函数，用于评估实际模型的有效性；ξj是松弛变量，用于测量误分类的程度。
步骤5、进行行人重识别。判断摄像头j的视频中是否出现了摄像头i视频中出现的行人M。
(5a)通过步骤4得到可以获得关于行人M的改进的神经网络行人重识别判别模型。
(5b)根据步骤1所述，对摄像头j的视频序列中的所有行人进行分割，假设一共有R个行人，根据步骤2所述，对这些行人进行特征提取，记为：表示在场景k下的摄像头j下的第e个行人的第z个区域的特征表示，将这R个行人分别与在场景a下的摄像头i下的行人M进行组合，得到测试输入向量：e＝1,2,...,R。将IT输入到步骤(5a)得到的改进的神经网络行人重识别判别模型中，得到Ye′。此时，取最接近1的Ye′，且Ye′∈[1-σ,1+σ]，则场景k中存在行人M；否则，不存在。其中σ为波动参数，使得得到的标签值能在一定范围内浮动。

Claims (3)

1.一种基于迁移学习的行人重识别方法，包括步骤如下：
步骤一、行人前景分割；
步骤二、行人特征提取；
步骤三、源领域改进的神经网络模型学习；
步骤四、源领域到目标领域的迁移学习；
步骤五、进行行人重识别；
所述步骤一包括如下步骤：采用GrabCut算法对出现已知行人的所有摄像头视频序列的每一帧进行已知行人前景分割，该算法利用了图像中的纹理颜色信息和边界反差信息，再通过用户指定一些像素属于行人目标；
所述步骤二包括如下步骤：采用人体对称模型将提取出的已知行人分为头部、左上肢、右上肢、左腿、右腿五个感兴趣区域，提取每个区域的颜色特征、边缘特征、纹理特征，那么，第z个区域的特征标记为：Cz，z＝1，2，3，4，5；
所述步骤三包括如下步骤：采用改进的三层神经网络模型作为行人重识别判别模型，即：将两个在不同场景不同摄像头下的行人特征作为模型的输入，并将两个行人的第z个区域的特征同时且仅输入到隐藏层的第z个节点，再将隐藏层所有节点的值输入到输出层，输出最后的值代表着输入的两个行人特征是否为同一人的：
(3a)选择源领域训练样本：选择两个在不同摄像头下的已知行人的特征作为改进的神经网络的输入向量：同时，对其进行人工标注，得到源领域训练样本：[Is,Y]；其中，Is表示在源领域下改进的神经网络模型输入层的输入向量，表示在场景a下第i个摄像头中行人m的第z个感兴趣区域的特征，表示在场景k下第j个摄像头中行人n的第z个感兴趣区域的特征；相对应的，Y＝{1，-1}，当行人m与行人n为同一个人时，输出标签为Y＝1；当行人m与行人n不是同一个人时，输出标签为Y＝-1；
(3b)将步骤(3a)得到的源领域训练样本[Is,Y]输入到改进的神经网络模型中，则第z个隐藏层的节点的输入为：
接着从隐藏层到输出层，我们满足：
通过误差反向传播算法，得到改进的神经网络模型参数ωij，反映了摄像头i与j之间的联系；其中，ωxz是输入向量到隐藏层对应的连接权值，ωyz是输入向量到隐藏层对应的连接权值，ωhz是隐藏层节点到输出层对应的连接权值，b是隐藏层各个神经元的阈值，b′是输出层神经元的阈值。
2.如权利要求1所述的基于迁移学习的行人重识别方法，其特征在于：所述步骤四包括如下步骤：通过源领域的神经网络模型参数ωij辅助学习在目标领域中待重识别行人M的神经网络模型参数
(4a)如步骤一所述，将场景a下的摄像头i、i′中的待重识别行人M进行行人前景分割，如步骤二所述，对场景a下的两个摄像头中的待重识别行人M进行特征提取，并对其特征向量进行组合，记为：表示待重识别行人M在场景a中的第i、i′个摄像头下的第z个感兴趣区域的特征表示，同时，对其人工进行标注，此时可以得到目标领域训练样本：[IT,Y]，因为两者均是行人M的特征表示，可得标签Y＝1；
(4b)将第(4a)步得到的[IT,Y]结合步骤三得到的神经网络模型参数ωij去学习
其中Y满足：
最小化优化方程L，通过将无限接近源领域知识ωij，获得最优的t表示源领域中得到的第t个模型参数，U是根据步骤三得到的在源领域中模型参数的总个数，l是一个损失函数，用于评估实际模型的有效性；ξj是松弛变量，用于测量误分类的程度，N表示步骤(4a)中得到的训练样本的总数。
3.如权利要求2所述的基于迁移学习的行人重识别方法，其特征在于：步骤五包括如下步骤：判断摄像头j的视频中是否出现了摄像头i视频中出现的行人M；
(5a)通过步骤四得到可以获得关于行人M的改进的神经网络行人重识别判别模型：
(5b)根据步骤一所述，对摄像头j的视频序列中的所有行人进行分割，假设一共有R个行人，根据步骤二所述，对这些行人进行特征提取，记为：表示在场景k下的摄像头j下的第e个行人的第z个区域的特征表示，将这R个行人分别与在场景a下的摄像头i下的行人M进行组合，得到测试输入向量：
e＝1,2,...,R，将IT输入到步骤(5a)得到的改进的神经网络行人重识别判别模型中，得到Y′e；此时，取最接近1的Y′e，且Y′e∈[1-σ,1+σ]，则场景k中存在行人M；否则，不存在，其中σ为波动参数，使得得到的标签值能在一定范围内浮动。
CN201510445055.8A 2015-07-27 2015-07-27 基于迁移学习的行人重识别方法 Active CN105095870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510445055.8A CN105095870B (zh) 2015-07-27 2015-07-27 基于迁移学习的行人重识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510445055.8A CN105095870B (zh) 2015-07-27 2015-07-27 基于迁移学习的行人重识别方法

Publications (2)

Publication Number Publication Date
CN105095870A CN105095870A (zh) 2015-11-25
CN105095870B true CN105095870B (zh) 2018-07-20

Family

ID=54576259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510445055.8A Active CN105095870B (zh) 2015-07-27 2015-07-27 基于迁移学习的行人重识别方法

Country Status (1)

Country Link
CN (1) CN105095870B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200012923A1 (en) * 2016-10-06 2020-01-09 Siemens Aktiengesellschaft Computer device for training a deep neural network
CN106485251B (zh) * 2016-10-08 2019-12-24 天津工业大学 基于深度学习的鸡蛋胚胎分类
CN106897669B (zh) * 2017-01-19 2019-12-27 同济大学 一种基于一致迭代多视角迁移学习的行人再辨识方法
CN108229521B (zh) * 2017-02-23 2020-09-15 北京市商汤科技开发有限公司 对象识别网络的训练方法、装置、系统及其应用
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
CN107967484B (zh) * 2017-11-14 2021-03-16 中国计量大学 一种基于多分辨率的图像分类方法
CN108133238B (zh) * 2017-12-29 2020-05-19 国信优易数据有限公司 一种人脸识别模型训练方法和装置及人脸识别方法和装置
CN108629380B (zh) * 2018-05-11 2021-06-11 西北大学 一种基于迁移学习的跨场景无线信号感知方法
CN108985263B (zh) * 2018-08-08 2021-01-26 北京旷视科技有限公司 一种数据采集方法、装置、电子设备和计算机可读介质
CN109376766B (zh) * 2018-09-18 2023-10-24 平安科技（深圳）有限公司 一种画像预测分类方法、装置及设备
CN109446898B (zh) * 2018-09-20 2021-10-15 暨南大学 一种基于迁移学习和特征融合的行人重识别方法
CN109377501A (zh) * 2018-09-30 2019-02-22 上海鹰觉科技有限公司 基于迁移学习的遥感图像舰船分割方法及系统
US11048917B2 (en) * 2019-07-31 2021-06-29 Baidu Usa Llc Method, electronic device, and computer readable medium for image identification
CN112686087A (zh) * 2019-10-20 2021-04-20 广东毓秀科技有限公司 基于开源state-of-the-art的行人重识别方法
CN112784630A (zh) * 2019-11-06 2021-05-11 广东毓秀科技有限公司 一种基于物理分割的局部特征进行行人重识别的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794396A (zh) * 2010-03-25 2010-08-04 西安电子科技大学 基于迁移网络学习的遥感图像目标识别系统及方法
CN103778407A (zh) * 2012-10-23 2014-05-07 南开大学 一种迁移学习框架下基于条件随机场的手势识别算法
CN103984915A (zh) * 2014-02-28 2014-08-13 中国计量学院 一种监控视频中行人重识别方法
CN104239907A (zh) * 2014-07-16 2014-12-24 华南理工大学 面向变化场景的远红外行人检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794396A (zh) * 2010-03-25 2010-08-04 西安电子科技大学 基于迁移网络学习的遥感图像目标识别系统及方法
CN103778407A (zh) * 2012-10-23 2014-05-07 南开大学 一种迁移学习框架下基于条件随机场的手势识别算法
CN103984915A (zh) * 2014-02-28 2014-08-13 中国计量学院 一种监控视频中行人重识别方法
CN104239907A (zh) * 2014-07-16 2014-12-24 华南理工大学 面向变化场景的远红外行人检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Domain Transfer Support Vector Ranking for Person Re-Identification without Target Camera Label Information;Andy J Ma 等;《Computer Vision(ICCV),2013 IEEE International Conference on》;20140303;第3573页右栏6行-10行 *
GrabCut-Interactive Foreground Extraction using Iterated Graph Cuts;Carsten Rother 等;《ACM Transactions on Graphics (TOG) - Proceedings of ACM SIGGRAPH 2004》;20040831;第23卷(第3期);第311页左栏第18-19行，第312页右栏第4-10行、第24-26行，图3、图5 *

Also Published As

Publication number Publication date
CN105095870A (zh) 2015-11-25

Similar Documents

Publication Publication Date Title
CN105095870B (zh) 基于迁移学习的行人重识别方法
CN109583342B (zh) 基于迁移学习的人脸活体检测方法
CN109711281B (zh) 一种基于深度学习的行人重识别与特征识别融合方法
CN108830252B (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN106503687B (zh) 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN109598242B (zh) 一种活体检测方法
CN104978580B (zh) 一种用于无人机巡检输电线路的绝缘子识别方法
CN110427813A (zh) 基于姿态指导行人图像生成的孪生生成式对抗网络的行人重识别方法
CN110414432A (zh) 对象识别模型的训练方法、对象识别方法及相应的装置
CN109101865A (zh) 一种基于深度学习的行人重识别方法
CN109934195A (zh) 一种基于信息融合的反欺骗三维人脸识别方法
CN106778796B (zh) 基于混合式协同训练的人体动作识别方法及系统
CN106096568A (zh) 一种基于cnn和卷积lstm网络的行人再识别方法
CN107657249A (zh) 多尺度特征行人重识别的方法、装置、存储介质及处理器
CN109543640A (zh) 一种基于图像转换的活体检测方法
CN108710829A (zh) 一种基于深度学习的表情分类及微表情检测的方法
CN109657595A (zh) 基于堆叠沙漏网络的关键特征区域匹配人脸识别方法
CN108491766B (zh) 一种端到端的基于深度决策森林的人群计数方法
CN109902558A (zh) 一种基于cnn-lstm的人体健康深度学习预测方法
CN107844780A (zh) 一种融合zed视觉的人体健康特征大数据智慧计算方法与装置
CN111027377B (zh) 一种双流神经网络时序动作定位方法
CN107463996B (zh) 一种进行人物重标记的自步-协同训练学习方法
CN114067444A (zh) 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统
CN113963032A (zh) 一种融合目标重识别的孪生网络结构目标跟踪方法
CN109784288B (zh) 一种基于判别感知融合的行人再识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant