CN107273872A - 用于图像或视频中行人重识别的深度判别网络模型方法 - Google Patents

用于图像或视频中行人重识别的深度判别网络模型方法 Download PDF

Info

Publication number
CN107273872A
CN107273872A CN201710570245.1A CN201710570245A CN107273872A CN 107273872 A CN107273872 A CN 107273872A CN 201710570245 A CN201710570245 A CN 201710570245A CN 107273872 A CN107273872 A CN 107273872A
Authority
CN
China
Prior art keywords
network
pedestrian
depth discrimination
picture
training
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
Application number
CN201710570245.1A
Other languages
English (en)
Other versions
CN107273872B (zh
Inventor
王文敏
张奕豪
王荣刚
李革
董胜富
王振宇
李英
赵辉
高文
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.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
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 Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Priority to CN201710570245.1A priority Critical patent/CN107273872B/zh
Publication of CN107273872A publication Critical patent/CN107273872A/zh
Priority to PCT/CN2018/073708 priority patent/WO2019010950A1/zh
Priority to US16/622,929 priority patent/US11100370B2/en
Application granted granted Critical
Publication of CN107273872B publication Critical patent/CN107273872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • 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
    • 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

Abstract

本发明公布了一种用于图像或视频中行人重识别的深度判别网络模型方法，通过构建深度判别网络，将不同输入图像在颜色通道上进行融合拼接，将得到的拼接结果定义为不同图像的原始差异性空间；将原始差异性空间送入卷积网络中，通过学习原始差异性空间中的差异性信息，网络输出两张输入图像之间的相似性，由此实现行人重识别。本发明不对单独的图像进行特征的学习，而是在一开始就将输入图像在颜色通道上进行融合拼接，利用设计好的网络在图像的原始空间上学习差异性信息；通过引入Inception模块，嵌入到模型之中，能够提高网络的学习能力，达到更好的判别效果。

Description

用于图像或视频中行人重识别的深度判别网络模型方法
技术领域
发明涉及计算机视觉中的行人重识别领域，尤其涉及一种用于图像或视频中行人重识别的深度判别网络模型方法。
背景技术
近年来，随着人们对社会的公共安全越来越关注，视频监控系统大量普及。诸如机场、火车站、校园和办公大楼等公众场所，都亟需监控，为安防保驾护航。面对海量的监控视频数据，大量的人力需要投入到视频信息的监控与检索中去，这种方式的效率不仅低，还造成了额外资源浪费。如果能够利用计算机视觉分析技术，自动化监控及分析视频信息，必然可以极大地加快“平安城市”的建设。
行人重识别是计算机视觉的研究中关键的任务。一般来说，给定关于行人的一张图片或者一段视频，行人重识别就是在其它不重合拍摄场景下的图片或者视频中，将同一个人识别出来的过程。尽管相关的研究越来越受到重视，行人重识别的准确率也已经提高了不少，但仍有许多困难需要解决。由于待识别的行人图片与原图片拍摄于不同的相机，设备的差异会给成像条件带来误差；不同的场景下的环境不一，对采集的数据也会产生不同的偏差；且光照的改变会使得同一种颜色的表现不同；更重要的是，行人在摄像头下的姿态变化以及遮挡问题，都使得对同一个人的辨别难度相当大。
近年来，由于深度学习的浪潮，卷积神经网络被广泛应用于行人重识别领域，通过深度网络提取图像特征，并且在相应的特征空间上使用深度学习或者传统方法进行距离度量，大大提高了行人重识别的准确率。这些工作的进展皆得益于深度卷积网络模型在特征提取上的能力，但在判别能力的探索上却局限于给定的特征空间，也因此限制了深度模型判别能力的提高。
发明内容
为了克服上述现有技术的不足，本发明提供一种用于图像或视频中行人重识别的深度判别网络模型方法，基于行人在不同图像之间的相似性判断过程，设计深度判别网络模型，将输入的两张图像在颜色通道上进行融合拼接，在原始的图像差异性空间上判别图像之间的相似性，并通过嵌入Inception模块提高网络的学习能力，可以有效地区分出输入图像是否属于同一个人。该方法不需要对输入图像进行单独特征提取，没有传统意义上对输入图像进行单独特征提取的步骤，因此可以充分发挥深度卷积神经网络模型在判别图像差异性上的潜力。
本发明首先把两张输入图像在颜色通道上进行融合拼接，将得到的拼接结果定义为两个图像的原始差异性空间，然后将得到拼接的结果送入设计好的卷积神经网络中去，通过学习原始空间中的差异性信息，网络最终可以给出输入两张图片之间的相似性。本发明中的深度判别网络包括产生的原始差异性空间和卷积网络，卷积网络包含了三个相连的卷积模块和一个Inception模块，紧接着一个非对称的卷积层和全联接层，并可利用SoftMax算法得到图像之间的相似性。
本发明提供的技术方案是：
一种用于图像或视频中行人重识别的深度判别网络模型方法，通过构建深度判别网络，将两张输入图像在颜色通道上进行融合拼接，得到拼接的结果，送入卷积网络中，通过学习原始差异性空间中的差异性信息，所述深度判别网络输出两张输入图像之间的相似性；由此实现行人重识别；具体过程如下：
1)设计深度判别网络模型的结构；
本发明构建的深度判别网络包括了原始差异性空间的产生和卷积神经网络两部分，其中卷积神经网络包含了3个相连的卷积模块和Inception模块，紧接着一个非对称的卷积层和全联接层；
11)构建图像的原始差异性空间；
将输入的两张图像在颜色通道(R、G、B)上进行融合拼接，使成为包含6个通道(R、G、B、R、G、B)的“图像”，将该“图像”定义为两个图像的原始差异性空间，作为卷积神经网络直接学习的对象；
12)设计三个相连的卷积模块，用于学习输入对象的差异性信息；
每一个模块中包含2个卷积操作、1个ReLU映射及1个最大池化操作，其中卷积核的大小为3*3，步长为1，采样大小为2*2，步长为2；
13)设计一个Inception模块，紧接在卷积模块的后面，可以增加网络的深度和宽度；
14)设计一个非对称的卷积操作进一步降低差异性维度，并使用全联接和SoftMax方法计算输入图像之间的相似度；
2)将数据集X中的行人图片设置为相同大小，并划分为训练集T和测试集D；
本发明具体实施时，将数据集X中的行人图片统一设为160*60大小，并随机划分为训练集T和测试集D；
3)利用训练集T训练步骤1)构建的深度判别网络，更新学习参数，直到收敛，得到训练好的深度判别网络模型；包括如下步骤：
31)通过以下方式对训练集T中的图片进行数据增强：
A.对训练集T中的图片进行水平翻转，得到各个图片的镜像图；
B.以训练集T中的每张图片(包括步骤A产生的镜像图)中心为基准，采样多张(如5张，采样的目的是增加训练样本的数目)在水平和竖直方向上随机偏移一定大小的图片，作为样本；本发明具体实施时，偏移范围为[-0.05H,0.05H]*[-0.05W,0.05W],H和W分别是原始图像的高和宽；
32)对样本进行预处理：计算训练集中所有样本的均值和方差，然后对所有图片(包括训练集和测试集)进行归一化操作，得到正态分布的样本数据，以此作为后续的训练样本数据；
33)生成训练样本：每个人的所有样本，相互之间构成相似对，对于每一个相似对，从其他所有人的样本中随机选取两张图片与其中一个样本构成不相似对，这样可以将相似对与不相似对的比例控制在1:2，以此作为最终的训练样本。
34)采用批量训练的方法，一次随机从训练样本中采样128对行人图片，并使用随机梯度下降法更新网络参数，直到收敛，得到训练好的深度判别网络模型；
本发明具体实施时，一次采样128对行人图片进行批量训练；其中，使用随机梯度下降法时，学习率设为0.05、动量为0.9、学习率衰减为0.0001，权重衰减为0.0005；
可使用测试集D中的行人图片对训练好的深度判别网络模型进行评估；
4)利用训练好的深度判别网络模型对测试数据集D进行识别，验证测试数据集D中两张输入图像中的行人是否属于同一行人，得到准确率。
本发明利用SoftMax算法得到图像之间的相似性。
与现有技术相比，本发明的有益效果是：
本发明提供一种用于图像或视频中行人重识别的深度判别网络模型方法,进一步发掘深度卷积神经网络模型在判别图像差异性上的潜力。与现有技术相比，本发明不再对单独的图像进行特征的学习，而是在一开始就将输入图像在颜色通道上进行融合拼接，让设计好的网络在图像的原始空间上去学习它们的差异性信息。通过引入Inception模块，嵌入到模型之中，能够提高网络的学习能力，达到更好的判别效果。
附图说明
图1是本发明构建的深度判别网络模型的结构示意图：
其中，(1)是两张图片在颜色通道上的融合；(2)是卷积层；(3)是ReLU激活函数；(4)是平均池化；(5)是最大池化；(6)是卷积块Conv-B 1，两个卷积层的核数量依次为32和64；(7)是卷积块Conv-B 2，两个卷积层的核数量依次为64和64；(8)是卷积块Conv-B 3，两个卷积层的核数量依次为64和64；(9)是Inception模块，其中#1、#2、#3和#4分别是4个平行子网络；(10)是一个卷积层Conv-L，核数量为64；(11)是全连接层+SoftMax层；(12)是输出相似性的概率；(13)是输出不相似的概率。
图2是将Inception模块置于深度判别网络不同位置时得到识别结果的对比图。
图3是本发明方法的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提出了一种用于行人重识别的深度判别网络模型算法(以下简称DDN-IM)，其结构如图1所示。该算法是一种样本二分类方法，即判断输入的两张图像中的行人是否属于同一个行人，不涉及前期的行人定位与提取过程。该算法主要包含以下两个步骤：
1.深度判别网络的架构设计，具体步骤为：
1)构建图像的原始差异性空间。将输入的两张图像在颜色通道(R、G、B)上进行融合拼接，使成为包含6个通道(R、G、B、R、G、B)的“图像”，将该“图像”作为网络直接学习的对象；
2)设计3个相连的卷积模块，用于学习输入对象的差异性信息。每一个模块中包含2个卷积操作、1个ReLU映射及1个最大池化操作，其中卷积核的大小为3*3，步长为1，采样大小为2*2，步长为2，其它参数如图1所示；
3)设计一个Inception模块，紧接在卷积模块的后面，可以增加网络的深度和宽度。Inception模块的结构设置和相关参数如表1所示，其中子网络是指模块中的4个平行网络；
表1 Inception模块的结构设置和相关参数
子网络序号 类型 核尺寸/步长/填充 输入尺寸
#1 平均池化 3*3/1/0 64*16*4
- 卷积(ReLU) 1*1/1/0 64*16*4
#2 卷积(ReLU) 1*1/1/0 64*16*4
#3 卷积(ReLU) 1*1/1/0 64*16*4
卷积(ReLU) 3*3/1/0 64*16*4
#4 卷积(ReLU) 1*1/1/0 64*16*4
卷积(ReLU) 3*3/1/0 64*16*4
卷积(ReLU) 3*3/1/0 96*16*4
4)最后设计一个非对称的卷积操作进一步降低差异性维度，并使用全联接和SoftMax方法计算输入图像之间的相似度。
2.深度判别网络的训练(参数学习)：
1)将数据集X中的行人图片统一设为160*60大小，并随机划分为训练集T和测试集D；
2)通过以下方式对训练集T中的图片进行数据增强：
(a)对图片进行水平翻转得到镜像图；
(b)以图片中心为基准，采样5张在水平和竖直方向上随机偏移一定大小的图片；
3)采用批量训练的方法，一次采样128对行人图片，并使用随机梯度下降法更新网络参数，直到收敛。其中学习率设为0.05、动量为0.9、学习率衰减为0.0001以及权重衰减为0.0005；
4)使用测试集D中的行人图片对深度网络进行评估。
为了验证Inception模块在深度判别网络模型中的作用，本发明根据是否使用Inception模块、及Inception分别放置在不同卷积模块的后面做了相应的对比实验，结果如图2所示，其中DDN-IM0、DDN-IM1、DDN-IM2和DDN-IM3分别表示没有使用Inception模块、Inception模块放置在卷积模块1、2和3后面。可以看出，使了Inception模块的模型比没使用的效果要好，且放在越后面，得到的提升会越明显。表2列出了不同方法在CUHK01数据集上取得的CMC(Cumulative Match Characteristic，累积匹配特性)结果。
表2 不同方法在CUHK01数据集上取得的CMC结果
表2中，eSDC(existing Salience Detection Combination)为文献(R.Zhao,W.Ouyang,and X.Wang,“Unsupervised salience learning for person re-identification,”in IEEE Conference on Computer Vision and PatternRecognition,2013,pp.3586–3593.)记载的与现有方法结合的显著性检测方法；KISSME(Keep It Simple and Straightforward Metric Learning，简单直接的度量学习)在文献(M.Hirzer,“Large scale metric learning from equivalence constraints,”inComputer Vision and Pattern Recognition,2012,pp.2288–2295.)中记载。FPNN(Filterpairing neural network，成对卷积核神经元网络)在文献(W.Li,R.Zhao,T.Xiao,andX.Wang,“Deepreid:Deep filter pairing neural network for person re-identification,”in IEEE Conference on Computer Vision and PatternRecognition,2014,pp.152–159.)中记载；IDLA(Improved Deep Learning Architecture，改进的深度学习架构)在文献(E.Ahmed,M.Jones,and T.K.Marks,“Animproved deeplearning architecture for person re-identification,”in IEEE Conference onComputer Vision and Pattern Recognition,2015,pp.3908–3916.)中记载；SIRCIR(Single-Image Rrepresentation and Cross-Image Representation，单一图像表示和交叉图像表示)在文献(F.Wang,W.Zuo,L.Lin,D.Zhang,and L.Zhang,“Joint learning ofsingle-image and cross-image representations for person reidentification,”inIEEE Conference on Computer Vision and Pattern Recognition,2016,pp.1288–1296.)中记载；PersonNet(Person Network，行人网络)在文献(L.Wu,S.C.,and A.van denHengel,“Personnet:Person reidentification with deep conv.)中记载；Norm X-Corr(Normalize Cross Correlation，归一化交叉关联)在文献(A.Subramaniam,M.Chatterjee,and A.Mittal,“Deep neural networks with inexact matching forpersonre-identification,”in Advances in Neural Information Processing Systems29,2016,pp.2667–2675.)中记载。
表3 不同方法在QMUL GRID数据集上取得的CMC结果
方法 Rank＝1 Rank＝5 Rank＝10 Rank＝20 参考来源
LOMO+XQDA 16.56 33.84 41.84 47.68 CVPR 2015
KEPLER 18.40 39.12 50.24 57.04 TIP 2015
Norm X-Corr 19.20 38.40 53.60 66.40 NIPS 2016
NLML 24.54 35.86 43.53 / CS 2015
SSDAL+XQDA 22.40 39.20 48.00 / ArXiv 2016
DR-KISS 20.60 39.30 51.40 / TIP 2016
SCSP 24.24 44.56 54.08 59.68 CVPR 2016
SSM 27.20 / 61.12 70.56 arXiv 2017
本发明方法 32.80 56.00 64.80 80.80 /
表3中，LOMO+XQDA(Local Maximum Occurrence and Cross-view QuadraticDiscriminant Analysis，局部最大直方图频数和交叉视觉二次判别分析)在文献(S.Liao,Y.Hu,X.Zhu,and S.Z.Li,“Person re-identification by local maximal occurrencerepresentation and metric learning,”in Computer Vision and PatternRecognition(CVPR),2015,pp.2197–2206.)中记载；KEPLER(KErnelized saliency-basedPerson re-identification through multiple metric LEaRning，通过多度量学习的基于核显著性的行人再识别)在文献(N.Martinel,C.Micheloni,and G.L.Foresti,“Kernelized saliency based person re-identification through multiple metriclearning,”IEEE Transactions on Image Processing,vol.24,no.12,pp.5645–5658,2015.)中记载；NLML(Nonlinear local metric learning，非线性局部度量学习)在文献(S.Huang,J.Lu,J.Zhou,and A.K.Jain,“Nonlinear local metric learning for personre-identification,”Computer Science,2015.)中记载；SSDAL+XQDA(semi-superviseddeep attribute learning and Cross-view Quadratic Discriminant Analysis，半监督深度属性学习和交叉视觉二次判别分析)在文献(C.Su,S.Zhang,J.Xing,W.Gao,andQ.Tian,“Deep attributes driven multi-camera person re-identification,”arXivpreprint arXiv:1605.03259,2016.)中记载；DR-KISS(dual-regularized kiss，双正则化KISS算法)在文献(D.Tao,Y.Guo,M.Song,Y.Li,Z.Yu,and Y.Y.Tang,“Personreidentification by dual-regularized kiss metric learning,”IEEE Transactionson Image Processing A Publication of the IEEE Signal Processing Society,vol.25,no.6,pp.2726–2738,2016.)中记载；SCSP(Spatially Constrained Similarityfunction on Polynomial feature map，基于多项式特征图的部分约束相似函数)在文献(D.Chen,Z.Yuan,B.Chen,and N.Zheng,“Similarity learning with spatialconstraints for person re-identification,”in IEEE Conference on ComputerVision and Pattern Recognition,2016,pp.1268–1277.)中记载；SSM(Supervisedsmoothed manifold，监督光滑流形)在文献(S.Bai,X.Bai,and Q.Tian,“Scalable personre-identification on supervised smoothed manifold,”arXiv preprint arXiv:1703.08359,2017.)中记载。
表4 不同方法在PRID2011数据集上取得的CMC结果
表4中，ITML(Information Theoretic Metric Learning，信息论度量学习)记载在文献(J.V.Davis,B.Kulis,P.Jain,S.Sra,and I.S.Dhillon,“Information theoreticmetric learning,”in Machine Learning,Proceedings of the Twenty-FourthInternational Conference,2007,pp.209–216.)中；kLFDA(kernel Local FisherDiscriminant Classifier，核局部Fisher判别分类器)在文献(F.Xiong,M.Gou,O.Camps,and M.Sznaier,“Person re-identification using kernel-based metric learningmethods,”in European conference on computer vision.Springer,2014,pp.1–16.)中记载；DML(Deep Metric Learning，深度度量学习)在文献(Y.Dong,L.Zhen,S.Liao,andS.Z.Li,“Deep metric learning for person re-identification,”in InternationalConference on Pattern Recognition,2014,pp.34–39)中记载；NullReid(Null spacefor person Reid，零空间用于行人再识别)在文献(L.Zhang,T.Xiang,and S.Gong,“Learning a discriminative null space for person re-identification,”in IEEEConference on Computer Vision and Pattern Recognition,2016,pp.1239–1248.)中记载；Ensembles(Metric Ensembles，度量集合)在文献(S.Paisitkriangkrai,C.Shen,andV.D.H.Anton,“Learning to rank in person re-identification with metricensembles,”in IEEE Conference on Computer Vision and Pattern Recognition,2015,pp.1846–1855.)中记载；ImpTrpLoss(Improved Triplet Loss，改进的三元损失)在文献(D.Cheng,Y.Gong,S.Zhou,J.Wang,and N.Zheng,“Person reidentification bymulti-channel parts-based cnn with improved triplet loss function,”in IEEEConference on Computer Vision and Pattern Recognition,2016,pp.1335–1344.)中记载；MTDnet(Multi-Task Deep Network，多任务深度网络)在文献(W.Chen,X.Chen,J.Zhang,and K.Huang,“A multi-task deep network for person re-identification,”in Thirty-First AAAI Conference on Artificial Intelligence,2017.)中记载。
如上所述，本发明在三个不同的数据集上做了实验，并与其它的方法进行了对比，表2、表3和表4分别列出了不同方法在CUHK01数据集、QMUL GRID数据集和PRID2011数据集上取得的CMC结果，可以看出，本发明所提出的深度判别网络模型均有更优的表现，说明该算法有效性。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种用于图像或视频中行人重识别的深度判别网络模型方法，通过构建深度判别网络，将不同输入图像在颜色通道上进行融合拼接，将得到的拼接结果定义为不同图像的原始差异性空间；将原始差异性空间送入卷积网络中，通过学习原始差异性空间中的差异性信息，网络输出两张输入图像之间的相似性，由此实现行人重识别；包括如下步骤：
1)设计深度判别网络模型的结构，包括原始差异性空间和卷积神经网络，其中卷积神经网络包含三个相连的卷积模块和Inception模块，紧接着一个非对称的卷积层和全联接层；包括如下过程：
11)通过将不同输入图像在颜色通道上进行融合拼接，构建图像的原始差异性空间，作为卷积神经网络直接学习的对象；
12)设计三个相连的卷积模块，用于学习输入图像的差异性信息；
13)设计一个Inception模块，紧接在卷积模块的后面，用于增加网络的深度和宽度；
14)设计一个非对称的卷积操作进一步降低差异性维度，并计算输入图像之间的相似度；
2)将数据集X中的行人图片设置为相同大小，并划分为训练集T和测试集D；
3)利用训练集T训练步骤1)构建的深度判别网络，更新学习参数，直到收敛，得到训练好的深度判别网络模型；包括如下步骤：
31)通过以下方式对训练集T中的图片进行数据增强，获取多张样本图片；
32)对上述样本图片进行预处理：计算训练集中所有样本的均值和方差，然后对所有图片(包括训练集和测试集)进行归一化操作，得到正态分布的样本数据，以此作为训练样本数据；
33)利用训练样本数据得到相似对和不相似对，生成针对每个人的最终训练样本；
34)采用批量训练的方法，一次随机从上述训练样本中采样多对行人图片，并使用随机梯度下降法更新网络参数，直到收敛，得到训练好的深度判别网络模型；
4)利用训练好的深度判别网络模型对测试数据集D进行识别，可验证测试数据集D中两张输入图像中的行人是否属于同一行人，获得识别准确率。
2.如权利要求1所述深度判别网络模型方法，其特征是，步骤11)具体将输入的两张图像在颜色通道(R、G、B)上进行融合拼接，使成为包含六个通道(R、G、B、R、G、B)的图像结果，定义为两个图像的原始差异性空间。
3.如权利要求1所述深度判别网络模型方法，其特征是，步骤12)三个相连的卷积模块中，每一个模块均包含2个卷积操作、1个ReLU映射和1个最大池化操作。
4.如权利要求3所述深度判别网络模型方法，其特征是，优选地，卷积模块的卷积核大小为3*3；步长为1；采样大小为2*2；步长为2。
5.如权利要求1所述深度判别网络模型方法，其特征是，步骤14)采用一个非对称的卷积操作进一步降低差异性维度，并使用全联接和SoftMax方法计算输入图像之间的相似度。
6.如权利要求1所述深度判别网络模型方法，其特征是，步骤2)具体将数据集X中的行人图片统一设为160*60大小，并随机划分为训练集T和测试集D。
7.如权利要求1所述深度判别网络模型方法，其特征是，步骤31)通过以下方式对训练集T中的图片进行数据增强：
A.对训练集T中的图片进行水平翻转，得到各个图片的镜像图；
B.以训练集T中的每张图片(包括步骤A产生的镜像图)中心为基准，采样在水平和竖直方向上随机偏移一定大小的多张图片，作为样本；优选地，偏移范围为[-0.05H,0.05H]*[-0.05W,0.05W]，H和W分别是原始图像的高和宽。
8.如权利要求1所述深度判别网络模型方法，其特征是，步骤33)对于每个人的所有样本中的每一个相似对，从其他所有人的样本中随机选取两张图片与其中一个样本构成不相似对，作为最终的训练样本。
9.如权利要求1所述深度判别网络模型方法，其特征是，步骤34)具体采用一次采样128对行人图片进行批量训练；使用随机梯度下降法时，学习率设为0.05、动量为0.9、学习率衰减为0.0001，权重衰减为0.0005。
10.如权利要求1所述深度判别网络模型方法，其特征是，步骤3)之后，可使用测试集D中的行人图片对训练好的深度判别网络模型进行评估。
CN201710570245.1A 2017-07-13 2017-07-13 用于图像或视频中行人重识别的深度判别网络模型方法 Active CN107273872B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710570245.1A CN107273872B (zh) 2017-07-13 2017-07-13 用于图像或视频中行人重识别的深度判别网络模型方法
PCT/CN2018/073708 WO2019010950A1 (zh) 2017-07-13 2018-01-23 用于图像或视频中行人重识别的深度判别网络模型方法
US16/622,929 US11100370B2 (en) 2017-07-13 2018-01-23 Method of using deep discriminate network model for person re-identification in image or video

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710570245.1A CN107273872B (zh) 2017-07-13 2017-07-13 用于图像或视频中行人重识别的深度判别网络模型方法

Publications (2)

Publication Number Publication Date
CN107273872A true CN107273872A (zh) 2017-10-20
CN107273872B CN107273872B (zh) 2020-05-05

Family

ID=60071874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710570245.1A Active CN107273872B (zh) 2017-07-13 2017-07-13 用于图像或视频中行人重识别的深度判别网络模型方法

Country Status (3)

Country Link
US (1) US11100370B2 (zh)
CN (1) CN107273872B (zh)
WO (1) WO2019010950A1 (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090472A (zh) * 2018-01-12 2018-05-29 浙江大学 基于多通道一致性特征的行人重识别方法及其系统
CN108171184A (zh) * 2018-01-03 2018-06-15 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN108229398A (zh) * 2018-01-04 2018-06-29 中科汇通投资控股有限公司 一种自我学习的人脸验证方法
CN108345900A (zh) * 2018-01-12 2018-07-31 浙江大学 基于颜色纹理分布特征的行人重识别方法及其系统
CN108416295A (zh) * 2018-03-08 2018-08-17 天津师范大学 一种基于局部嵌入深度特征的行人再识别方法
CN108537133A (zh) * 2018-03-16 2018-09-14 江苏经贸职业技术学院 一种基于监督学习深度自编码器的人脸重构方法
CN108596211A (zh) * 2018-03-29 2018-09-28 中山大学 一种基于集中学习与深度网络学习的遮挡行人再识别方法
CN108875510A (zh) * 2017-11-28 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、系统及计算机存储介质
CN109002761A (zh) * 2018-06-13 2018-12-14 中山大学新华学院 一种基于深度卷积神经网络的行人重识别监控系统
CN109033971A (zh) * 2018-06-27 2018-12-18 中国石油大学(华东) 一种基于残差网络思想的高效行人重识别方法
CN109101865A (zh) * 2018-05-31 2018-12-28 湖北工业大学 一种基于深度学习的行人重识别方法
WO2019010950A1 (zh) * 2017-07-13 2019-01-17 北京大学深圳研究生院 用于图像或视频中行人重识别的深度判别网络模型方法
CN109271852A (zh) * 2018-08-07 2019-01-25 重庆大学 一种基于深度神经网络的行人检测再识别的处理方法
CN109492601A (zh) * 2018-11-21 2019-03-19 泰康保险集团股份有限公司 人脸比对方法及装置、计算机可读介质和电子设备
CN109635669A (zh) * 2018-11-19 2019-04-16 北京致远慧图科技有限公司 图像分类方法、装置及分类模型的训练方法、装置
CN109784288A (zh) * 2019-01-22 2019-05-21 天津师范大学 一种基于判别感知融合的行人再识别方法
CN109919123A (zh) * 2019-03-19 2019-06-21 自然资源部第一海洋研究所 基于多尺度特征深度卷积神经网络的海面溢油检测方法
CN109934117A (zh) * 2019-02-18 2019-06-25 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109948587A (zh) * 2019-03-29 2019-06-28 清华大学 基于高判别力特征挖掘的车辆再识别方法及装置
CN109977893A (zh) * 2019-04-01 2019-07-05 厦门大学 基于层次显著性通道学习的深度多任务行人再识别方法
CN110109090A (zh) * 2019-03-28 2019-08-09 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN110111311A (zh) * 2019-04-18 2019-08-09 北京奇艺世纪科技有限公司 一种图像质量评价方法和装置
CN110598716A (zh) * 2019-09-09 2019-12-20 北京文安智能技术股份有限公司 一种人员属性识别方法、装置及系统
CN111444255A (zh) * 2018-12-29 2020-07-24 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
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
CN112651459A (zh) * 2020-12-31 2021-04-13 厦门易仕特仪器有限公司 深度学习图像对抗样本防御方法、装置、设备及存储介质
TWI790658B (zh) * 2021-06-24 2023-01-21 曜驊智能股份有限公司 影像再識別方法

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180027887A (ko) * 2016-09-07 2018-03-15 삼성전자주식회사 뉴럴 네트워크에 기초한 인식 장치 및 뉴럴 네트워크의 트레이닝 방법
WO2019028725A1 (en) * 2017-08-10 2019-02-14 Intel Corporation CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT
KR20210059712A (ko) 2018-08-07 2021-05-25 블링크에이아이 테크놀로지스, 아이엔씨. 이미지 향상을 위한 인공지능 기법
CN111488760B (zh) * 2019-01-25 2023-05-02 复旦大学 基于深度多示例学习的少样本行人重识别方法
CN111723611A (zh) * 2019-03-20 2020-09-29 北京沃东天骏信息技术有限公司 行人再识别方法、装置及存储介质
CN111832336B (zh) * 2019-04-16 2022-09-02 四川大学 一种基于改进的c3d视频行为检测方法
CN110443174B (zh) * 2019-07-26 2021-08-10 浙江大学 一种基于解耦自适应判别性特征学习的行人重识别方法
CN110728179A (zh) * 2019-09-04 2020-01-24 天津大学 一种采用多路卷积神经网络的猪脸识别方法
CN110781928B (zh) * 2019-10-11 2023-04-07 西安工程大学 一种提取图像多分辨率特征的图像相似度学习方法
CN110728238A (zh) * 2019-10-12 2020-01-24 安徽工程大学 一种融合型神经网络的人员再检测方法
CN110827120A (zh) * 2019-10-18 2020-02-21 郑州大学 基于gan网络的模糊推荐方法、装置、电子设备及存储介质
CN111008618B (zh) * 2019-10-29 2023-03-31 黄山学院 一种自注意力深度学习端到端的行人再识别方法
CN111047634B (zh) * 2019-11-13 2023-08-08 杭州飞步科技有限公司 场景深度的确定方法、装置、设备及存储介质
CN111027623A (zh) * 2019-12-10 2020-04-17 深圳供电局有限公司 数据增强的智能终端安全等级分类方法及系统
CN111260594B (zh) * 2019-12-22 2023-10-31 天津大学 一种无监督的多模态图像融合方法
WO2021137763A1 (en) * 2019-12-30 2021-07-08 Nanyang Technological University Object re-identification using multiple cameras
CN111768008B (zh) * 2020-06-30 2023-06-16 平安科技（深圳）有限公司 联邦学习方法、装置、设备和存储介质
CN112381176B (zh) * 2020-12-03 2022-06-10 天津大学 一种基于双目特征融合网络的图像分类方法
CN112861697B (zh) * 2021-02-03 2022-10-25 同济大学 基于图片自对称性人群计数网络的人群计数方法及装置
CN113128360A (zh) * 2021-03-30 2021-07-16 苏州乐达纳米科技有限公司 基于深度学习的司机驾驶行为检测与识别方法
CN113283320A (zh) * 2021-05-13 2021-08-20 桂林安维科技有限公司 一种基于通道特征聚合的行人重识别方法
CN113505678B (zh) * 2021-07-01 2023-03-21 西北大学 基于深度可分离卷积的猴类面部识别方法
CN113408651B (zh) * 2021-07-12 2024-01-23 厦门大学 基于局部判别性增强的无监督三维物体分类方法
CN113627272B (zh) * 2021-07-19 2023-11-28 上海交通大学 基于归一网络的严重不对齐行人重识别方法及系统
CN113343941B (zh) * 2021-07-20 2023-07-25 中国人民大学 一种基于互信息相似度的零样本动作识别方法及系统
CN113657267B (zh) * 2021-08-17 2024-01-12 中国科学院长春光学精密机械与物理研究所 一种半监督行人重识别方法和装置
CN114022779B (zh) * 2021-10-25 2023-05-26 电子科技大学 一种基于比例尺网络的sar船只检测方法
CN114005020B (zh) * 2021-11-05 2024-04-26 河北工业大学 一种基于M3-YOLOv5的指定移动目标检测方法
CN114463237B (zh) * 2022-01-30 2024-04-19 武汉大学 基于全局运动补偿和帧间时域关联性的实时视频去雨方法
CN114677638B (zh) * 2022-03-16 2024-04-05 西安电子科技大学广州研究院 一种基于深度学习和聚类人群异常聚集的检测方法
CN114627557A (zh) * 2022-03-22 2022-06-14 厦门大学 基于时空流形轨迹建图的3d骨架动作识别方法
CN114429524B (zh) * 2022-04-07 2022-09-23 深圳市城市交通规划设计研究中心股份有限公司 单目视觉下的三维目标检测模型的构建方法及检测方法
CN115049055A (zh) * 2022-06-29 2022-09-13 厦门大学 基于动态双可训练界限的超分神经网络的量化方法
CN117333906A (zh) * 2023-10-27 2024-01-02 石家庄铁道大学 一种多尺度遮挡抑制的遮挡行人重识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010282640A (ja) * 2003-06-30 2010-12-16 Honda Motor Co Ltd 顔認識システム及び方法
CN104866855A (zh) * 2015-05-07 2015-08-26 华为技术有限公司 一种图像特征提取方法及装置
CN105809108A (zh) * 2016-02-24 2016-07-27 中国科学院自动化研究所 基于分布式视觉的行人定位方法和系统
US20160307071A1 (en) * 2015-04-20 2016-10-20 Xerox Corporation Fisher vectors meet neural networks: a hybrid visual classification architecture
CN106250812A (zh) * 2016-07-15 2016-12-21 汤平 一种基于快速r‑cnn深度神经网络的车型识别方法
CN106682233A (zh) * 2017-01-16 2017-05-17 华侨大学 一种基于深度学习与局部特征融合的哈希图像检索方法
CN106778921A (zh) * 2017-02-15 2017-05-31 张烜 基于深度学习编码模型的人员再识别方法
CN106909905A (zh) * 2017-03-02 2017-06-30 中科视拓（北京）科技有限公司 一种基于深度学习的多模态人脸识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650806B (zh) * 2016-12-16 2019-07-26 北京大学深圳研究生院 一种用于行人检测的协同式深度网络模型方法
CN107273872B (zh) * 2017-07-13 2020-05-05 北京大学深圳研究生院 用于图像或视频中行人重识别的深度判别网络模型方法
CN112861760A (zh) * 2017-07-25 2021-05-28 虹软科技股份有限公司 一种用于表情识别的方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010282640A (ja) * 2003-06-30 2010-12-16 Honda Motor Co Ltd 顔認識システム及び方法
US20160307071A1 (en) * 2015-04-20 2016-10-20 Xerox Corporation Fisher vectors meet neural networks: a hybrid visual classification architecture
CN104866855A (zh) * 2015-05-07 2015-08-26 华为技术有限公司 一种图像特征提取方法及装置
CN105809108A (zh) * 2016-02-24 2016-07-27 中国科学院自动化研究所 基于分布式视觉的行人定位方法和系统
CN106250812A (zh) * 2016-07-15 2016-12-21 汤平 一种基于快速r‑cnn深度神经网络的车型识别方法
CN106682233A (zh) * 2017-01-16 2017-05-17 华侨大学 一种基于深度学习与局部特征融合的哈希图像检索方法
CN106778921A (zh) * 2017-02-15 2017-05-31 张烜 基于深度学习编码模型的人员再识别方法
CN106909905A (zh) * 2017-03-02 2017-06-30 中科视拓（北京）科技有限公司 一种基于深度学习的多模态人脸识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙倩茹 等: "视频序列的人体运动描述方法综述", 《智能系统学报》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019010950A1 (zh) * 2017-07-13 2019-01-17 北京大学深圳研究生院 用于图像或视频中行人重识别的深度判别网络模型方法
CN108875510A (zh) * 2017-11-28 2018-11-23 北京旷视科技有限公司 图像处理的方法、装置、系统及计算机存储介质
CN108171184A (zh) * 2018-01-03 2018-06-15 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN108171184B (zh) * 2018-01-03 2020-04-10 南京理工大学 基于Siamese网络的用于行人重识别的方法
CN108229398A (zh) * 2018-01-04 2018-06-29 中科汇通投资控股有限公司 一种自我学习的人脸验证方法
CN108090472A (zh) * 2018-01-12 2018-05-29 浙江大学 基于多通道一致性特征的行人重识别方法及其系统
CN108345900A (zh) * 2018-01-12 2018-07-31 浙江大学 基于颜色纹理分布特征的行人重识别方法及其系统
CN108345900B (zh) * 2018-01-12 2020-12-15 浙江大学 基于颜色纹理分布特征的行人重识别方法及其系统
CN108416295A (zh) * 2018-03-08 2018-08-17 天津师范大学 一种基于局部嵌入深度特征的行人再识别方法
CN108416295B (zh) * 2018-03-08 2021-10-15 天津师范大学 一种基于局部嵌入深度特征的行人再识别方法
CN108537133A (zh) * 2018-03-16 2018-09-14 江苏经贸职业技术学院 一种基于监督学习深度自编码器的人脸重构方法
CN108596211A (zh) * 2018-03-29 2018-09-28 中山大学 一种基于集中学习与深度网络学习的遮挡行人再识别方法
CN108596211B (zh) * 2018-03-29 2020-08-28 中山大学 一种基于集中学习与深度网络学习的遮挡行人再识别方法
CN109101865A (zh) * 2018-05-31 2018-12-28 湖北工业大学 一种基于深度学习的行人重识别方法
CN109002761A (zh) * 2018-06-13 2018-12-14 中山大学新华学院 一种基于深度卷积神经网络的行人重识别监控系统
CN109033971A (zh) * 2018-06-27 2018-12-18 中国石油大学(华东) 一种基于残差网络思想的高效行人重识别方法
CN109271852A (zh) * 2018-08-07 2019-01-25 重庆大学 一种基于深度神经网络的行人检测再识别的处理方法
CN109635669A (zh) * 2018-11-19 2019-04-16 北京致远慧图科技有限公司 图像分类方法、装置及分类模型的训练方法、装置
CN109492601A (zh) * 2018-11-21 2019-03-19 泰康保险集团股份有限公司 人脸比对方法及装置、计算机可读介质和电子设备
CN111444255A (zh) * 2018-12-29 2020-07-24 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
CN111444255B (zh) * 2018-12-29 2023-09-22 杭州海康存储科技有限公司 一种数据模型的训练方法及装置
CN109784288A (zh) * 2019-01-22 2019-05-21 天津师范大学 一种基于判别感知融合的行人再识别方法
CN109934117A (zh) * 2019-02-18 2019-06-25 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109919123A (zh) * 2019-03-19 2019-06-21 自然资源部第一海洋研究所 基于多尺度特征深度卷积神经网络的海面溢油检测方法
CN110109090B (zh) * 2019-03-28 2021-03-12 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN110109090A (zh) * 2019-03-28 2019-08-09 北京邮电大学 基于微波雷达的未知环境多目标检测方法和装置
CN109948587A (zh) * 2019-03-29 2019-06-28 清华大学 基于高判别力特征挖掘的车辆再识别方法及装置
CN109977893A (zh) * 2019-04-01 2019-07-05 厦门大学 基于层次显著性通道学习的深度多任务行人再识别方法
CN110111311A (zh) * 2019-04-18 2019-08-09 北京奇艺世纪科技有限公司 一种图像质量评价方法和装置
CN110598716A (zh) * 2019-09-09 2019-12-20 北京文安智能技术股份有限公司 一种人员属性识别方法、装置及系统
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
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
CN112651459A (zh) * 2020-12-31 2021-04-13 厦门易仕特仪器有限公司 深度学习图像对抗样本防御方法、装置、设备及存储介质
TWI790658B (zh) * 2021-06-24 2023-01-21 曜驊智能股份有限公司 影像再識別方法

Also Published As

Publication number Publication date
US11100370B2 (en) 2021-08-24
US20210150268A1 (en) 2021-05-20
WO2019010950A1 (zh) 2019-01-17
CN107273872B (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN107273872A (zh) 用于图像或视频中行人重识别的深度判别网络模型方法
Li et al. Contour knowledge transfer for salient object detection
CN109543606B (zh) 一种加入注意力机制的人脸识别方法
Wang et al. Large-scale isolated gesture recognition using convolutional neural networks
Ding et al. Violence detection in video by using 3D convolutional neural networks
CN109063649B (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN110135295A (zh) 一种基于迁移学习的无监督行人重识别方法
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN112183468A (zh) 一种基于多注意力联合多级特征的行人再识别方法
CN110569814B (zh) 视频类别识别方法、装置、计算机设备及计算机存储介质
CN110163033A (zh) 正样本获取方法、行人检测模型生成方法和行人检测方法
CN110263603B (zh) 基于中心损失和残差视觉仿真网络的人脸识别方法及装置
WO2022160772A1 (zh) 一种基于视角引导多重对抗注意力的行人重识别方法
CN112989977B (zh) 一种基于跨模态注意力机制的视听事件定位方法及装置
CN107451994A (zh) 基于生成对抗网络的物体检测方法及装置
WO2021139171A1 (zh) 人脸增强识别方法、装置、设备及存储介质
Zhang et al. Multi-instance multi-label action recognition and localization based on spatio-temporal pre-trimming for untrimmed videos
CN116052218B (zh) 一种行人重识别方法
CN111428650B (zh) 一种基于sp-pggan风格迁移的行人重识别方法
CN112507778A (zh) 一种基于线特征的改进词袋模型的回环检测方法
CN114333011B (zh) 网络训练、人脸识别方法、电子设备及存储介质
Liu et al. Dual context-aware refinement network for person search
Wang et al. Generative adversarial network based on resnet for conditional image restoration
Zhu et al. A novel simple visual tracking algorithm based on hashing and deep learning
CN114333062A (zh) 基于异构双网络和特征一致性的行人重识别模型训练方法

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