CN108960140A - 基于多区域特征提取和融合的行人再识别方法 - Google Patents
基于多区域特征提取和融合的行人再识别方法 Download PDFInfo
- Publication number
- CN108960140A CN108960140A CN201810721690.8A CN201810721690A CN108960140A CN 108960140 A CN108960140 A CN 108960140A CN 201810721690 A CN201810721690 A CN 201810721690A CN 108960140 A CN108960140 A CN 108960140A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- extracted
- module
- region feature
- 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
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于多区域特征提取和融合的行人再识别方法,利用残差网络提取全局特征,并在训练阶段增加一个用于全局特征提取和优化的行人身份分类模块;构造用于局部特征提取的多区域特征提取子网络,并将各局部特征进行加权融合;设置包括分类模块损失和特征融合模块损失的损失函数;对网络进行训练,得到模型提取查询集和测试集的特征向量;在度量阶段,利用交叉近邻方法对特征距离进行重新度量。本发明设计合理,有效结合了全局特征和局部特征,在距离度量方法上进行优化,获得了很好的行人再识别结果,使得系统整体匹配准确率大大提升。
Description
技术领域
本发明属于计算机视觉行人再识别技术领域,尤其是一种基于多区域特征提取和融合的行人再识别方法。
背景技术
随着视频采集技术不断进步以及大规模数据存储技术快速发展,使得大量的监控摄像系统应用在公共场所成为可能。对海量监控视频中的行人进行识别和处理呈现快速发展的趋势,仅依靠人眼识别监控画面中的行人身份显然十分低效,行人再识别技术的任务便是依靠计算机视觉技术解决不重叠监控视野中行人身份匹配的问题。
传统的解决方法主要有两大类:一是特征提取,即根据监控视频里的行人提取鲁棒性的特征表示;二是距离度量,即学习一个更具判别力的特征度量方法,使得同一行人的特征间距离更近。近年来,随着深度学习技术的兴起,卷积神经网络被广泛运用在行人检测、目标跟踪等视觉任务中,并表现出了出色的性能,因此,基于深度学习的行人再识别也成为了当前的一大趋势。
然而,现有的卷积神经网络大多提取整张图片的特征,没有充分利用图片的局部特征,这些局部特征对于不同视角下行人的姿势变化具有较好的鲁棒性,对于区分不同行人更加有效,因此,现有的行人再识别方法整体匹配准确率不高。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理且匹配准确率高的基于多区域特征提取和融合的行人再识别方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于多区域特征提取和融合的行人再识别方法,包括以下步骤:
步骤1、利用残差网络提取全局特征,并在训练阶段增加一个用于全局特征提取和优化的行人身份分类模块;
步骤2、构造用于局部特征提取的多区域特征提取子网络,并将各局部特征进行加权融合;
步骤3、设置包括分类模块损失和特征融合模块损失的损失函数;
步骤4、对网络进行训练,得到模型提取查询集和测试集的特征向量;
步骤5、在度量阶段,利用交叉近邻方法对特征距离进行重新度量。
进一步,所述步骤1的分类模块利用1×1卷积实现特征映射,所有神经元共享权重参数,将输出通道数设置为行人类别数,通过训练得到每个行人身份对应的特征图;所述分类模块的结构为:
卷积层(1×1×N)→全局平均池化层→Softmax损失层其中,N为训练集中行人类别数。
进一步,所述步骤2的具体实现方法为:
⑴假设残差网络的输出特征图为M∈RK×H×W,其中K洀愀渀倀匀为特征通道数,H和W分别为特征图的高度和宽度,对M进行两项操作分别得到全局和局部特征表示:一是对M进行全局平均池化,得到全局特征Fg∈R1024×1×1;二是将M水平分割为不重叠的4个条块,分别对应行人的头部、上身、下身、双脚,每个分块进行全局平均池化,得到局部特征表示: 其中
⑵设置一个特征加权层,对各局部特征的权重参数进行学习,并通过反向传播算法进行优化,其计算过程为:
其中⊙表示元素间操作,W和B分别为权重和偏置矩阵,是特征加权层的参数;
⑶将加权的局部特征与全局特征相连即可得到最终的行人特征:
其中[·]表示特征融合操作,F∈R5120×1×1表示多区域特征向量。
进一步,所述步骤3的具体实现方法为:
⑴Softmax损失将训练集的每个行人身份视为一类,计算输入样本x属于类别n的概率p(n|x):
其中n=[1,2,...N],N表示训练集中行人身份数,wi和bi分别为卷积层的权重和偏置参数;
⑵根据输入样本的标签y计算最终Softmax损失:
其中q(n|x)表示预测标签n与真实标签y的关系,即:
⑶将Softmax损失应用于分类模块和特征融合模块,则系统总体的损失函数为:L洀Lc+LW,其中Lc和LW分别对应于分类模块和特征融合模块的Softmax损失。
进一步,所述步骤4对网络进行训练时,输入图像首先被统一为224×224×3像素尺寸,然后以批量大小为16输入网络进行训练,迭代50000次。
进一步,所述步骤5的具体实现方法为:根据步骤4训练得到的模型提取查询集和测试集的特征向量,设查询样本为p,测试集为G={gi|i=1,2,...,I},首先计算它们的马氏距离d(p,gi),得到p的k-最近邻,记为N(p,k),同理gi的k-最近邻记为N(gi,k),则p的交叉近邻定义为:C(p,k)={gi|gi∈N(p,k)∧p∈N(gi,k)},采用上述相同方法得到gi的交叉近邻C(gi,k);得到如下最终距离:
d(p,gi)=λd(p,gi)+(1-λ)dJ(p,gi)
其中λ为平衡参数,设置λ=0.3。
本发明的优点和积极效果是:
本发明设计合理,其采用多区域特征提取和融合的模型,并在特征融合阶段对各局部特征的权重进行学习,提取到更具鲁棒性和判别力的特征向量,并且在距离度量阶段,采用“交叉近邻”产生一种新的距离度量,进而与原始距离相权衡产生了最终的特征度量,优化了距离度量方法,获得了很好的行人再识别结果。本发明在公开的数据集上进行了测试,本发明优于目前其他的行人再识别算法,使得系统整体匹配准确率大大提升。
附图说明
图1是本发明的行人再识别方法原理图;
图2a至图2d是本发明采用交叉近邻度量方法对整体匹配准确率的影响。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于多区域特征提取和融合的行人再识别方法,包括以下步骤:
步骤1、利用残差网络提取全局特征,在训练阶段增加一个行人身份分类模块,用于全局特征的提取和优化。
传统的卷积神经网络利用全连接层将卷积特征映射到一个特征向量,其维度等于行人类别数,由于全连接层的所有节点都与前一层的所有节点相连,参数数量较大。如图1所示,本发明中的分类模块(Classification Structure)利用1×1卷积实现特征映射,所有神经元共享权重参数,减小计算量。将输出通道数设置为行人类别数,通过训练可以得到每个行人身份对应的特征图,从而实现行人身份分类。该分类模块的结构为:
卷积层(1×1×N)→全局平均池化层→Softmax损失层
其中,N为训练集中行人类别数。
步骤2、构造多区域特征提取子网络,用于局部特征提取,并将各局部特征进行加权融合。
本步骤的具体实施方法如下:
假设残差网络的输出特征图为M∈RK×H×W,其中K洀愀渀倀匀为特征通道数,H和W分别为特征图的高度和宽度,下面对M进行两项操作分别得到全局和局部特征表示:一是对M进行全局平均池化,得到全局特征Fg∈R1024×1×1;二是将M水平分割为不重叠的4个条块,分别对应行人的头部、上身、下身、双脚,每个分块进行全局平均池化,即可得到局部特征表示:其中
考虑到各局部信息具有不同的重要性,本发明设置了一个特征加权层,对各局部特征的权重参数进行学习,并通过反向传播算法进行优化,计算过程为:
其中⊙表示元素间操作,W和B分别为权重和偏置矩阵,是特征加权层的参数。
得到加权的局部特征后,与全局特征相连即可得到最终的行人特征:
其中[·]表示特征融合操作,F∈R5120×1×1表示多区域特征向量。
步骤3、设置损失函数,该损失函数包括两部分:分类模块损失和特征融合模块损失。
本步骤的具体实施方法如下:
将行人再识别问题归于多分类问题,使用Softmax损失函数对网络进行训练。Softmax损失将训练集的每个行人身份视为一类,首先计算输入样本x属于类别n的概率p(n|x):
其中n=[1,2,...N],N表示训练集中行人身份数,wi和bi分别为卷积层的权重和偏置参数。
得到每个类别的概率后,根据输入样本的标签y计算最终Softmax损失:
其中q(n|x)表示预测标签n与真实标签y的关系,即:
将Softmax损失应用于分类模块和特征融合模块,则系统总体的损失函数为:
L=Lc+LW
其中Lc和LW分别对应于分类模块和特征融合模块的Softmax损失。
步骤4、对网络进行训练,得到模型提取查询集和测试集的特征向量。
本步骤的具体实施方法如下:
输入图像首先被统一为224×224×3像素尺寸,然后以批量大小为16输入网络进行训练,迭代50000次。
步骤5、在度量阶段,利用交叉近邻方法对特征距离进行重新度量,该度量结合了马氏距离和交叉近邻距离。
本步骤的具体实施方法如下:
使用步骤4训练得到的模型提取查询集和测试集的特征向量,设查询样本为p,测试集为G={gi|i=1,2,...,I},首先计算它们的马氏距离d(p,gi),得到p的k-最近邻,记为N(p,k),同理gi的k-最近邻记为N(gi,k),则p的交叉近邻定义为:C(p,k)={gi|gi∈N(p,k)∧p∈N(gi,k)},同理可得到gi的交叉近邻C(gi,k)。考虑到两个样本相似度越大,它们的交叉近邻集合的交集越大,因此引入了一种新的距离度量方式:
其中|·|表示集合中元素个数。最终距离表示为:
d(p,gi)=λd(p,gi)+(1-λ)dJ(p,gi)
其中λ为平衡参数,通过多次实验验证,我们设置λ=0.3。
下面按照本发明方法进行实验,说明本发明的效果。
测试环境:Ubuntu14.04、MATLAB R2016a
测试数据:用于行人再识别的公共数据集Market1501、CUHK03(labeled和detected)和CUHK01。
测试指标:
本发明使用了两种评价指标:CMC(Cumulated Matching Characteristics)曲线和mAP(mean Average Precision)。CMC曲线是一种top-k击中概率,该指标表示相似度排名前k的样本中,正确匹配的概率累积和。曲线越接近100%性能越好;mAP是对每个类别上的准确率进行平均得到的,适用于多摄像头的情况,如本发明实验中的Market1501数据集来自6个不同摄像头,其评价指标有CMC和mAP。
试验结果如下:
表1分类模块和特征加权模块对系统性能的影响
上表中,No_CS:去掉分类模块;No_FWS:去掉特征加权层;GPN:本发明提出的模型。实验结果表明:分类模块和特征加权层的设计,能够显著提高系统性能。
实验采用了三种距离度量方法:欧式距离(Euclidean)、XQDA和KISSME,以此三种方法计算原始距离,分别运用“交叉近邻”进行重排序(Re-ranking),结果表明重排序后识别准确率得到提升,证明了重排序方法的有效性。表2、表3和表4是本发明算法与现有算法的性能比较。
表2
表3
表4
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于多区域特征提取和融合的行人再识别方法,其特征在于包括以下步骤:
步骤1、利用残差网络提取全局特征,并在训练阶段增加一个用于全局特征提取和优化的行人身份分类模块;
步骤2、构造用于局部特征提取的多区域特征提取子网络,并将各局部特征进行加权融合;
步骤3、设置包括分类模块损失和特征融合模块损失的损失函数;
步骤4、对网络进行训练,得到模型提取查询集和测试集的特征向量;
步骤5、在度量阶段,利用交叉近邻方法对特征距离进行重新度量。
2.根据权利要求1所述的基于多区域特征提取和融合的行人再识别方法,其特征在于:所述步骤1的分类模块利用1×1卷积实现特征映射,所有神经元共享权重参数,将输出通道数设置为行人类别数,通过训练得到每个行人身份对应的特征图;所述分类模块的结构为:
卷积层(1×1×N)→全局平均池化层→Softmax损失层
其中,N为训练集中行人类别数。
3.根据权利要求1所述的基于多区域特征提取和融合的行人再识别方法,其特征在于:所述步骤2的具体实现方法为:
(1)假设残差网络的输出特征图为M∈RK×H×W,其中K=1024为特征通道数,H和W分别为特征图的高度和宽度,对M进行两项操作分别得到全局和局部特征表示:一是对M进行全局平均池化,得到全局特征Fg∈R1024×1×1;二是将M水平分割为不重叠的4个条块,分别对应行人的头部、上身、下身、双脚,每个分块进行全局平均池化,得到局部特征表示: 其中
(2)设置一个特征加权层,对各局部特征的权重参数进行学习,并通过反向传播算法进行优化,其计算过程为:
其中⊙表示元素间操作,W和B分别为权重和偏置矩阵,是特征加权层的参数;
(3)将加权的局部特征与全局特征相连即可得到最终的行人特征:
其中[·]表示特征融合操作,F∈R5120×1×1表示多区域特征向量。
4.根据权利要求1所述的基于多区域特征提取和融合的行人再识别方法,其特征在于:所述步骤3的具体实现方法为:
(1)Softmax损失将训练集的每个行人身份视为一类,计算输入样本x属于类别n的概率p(n|x):
其中n=[1,2,...N],N表示训练集中行人身份数,wi和bi分别为卷积层的权重和偏置参数;
(2)根据输入样本的标签y计算最终Softmax损失:
其中q(n|x)表示预测标签n与真实标签y的关系,即:
(3)将Softmax损失应用于分类模块和特征融合模块,则系统总体的损失函数为:L=Lc+LW,其中Lc和LW分别对应于分类模块和特征融合模块的Softmax损失。
5.根据权利要求1所述的基于多区域特征提取和融合的行人再识别方法,其特点在于:所述步骤4对网络进行训练时,输入图像首先被统一为224×224×3像素尺寸,然后以批量大小为16输入网络进行训练,迭代50000次。
6.根据权利要求1所述的基于多区域特征提取和融合的行人再识别方法,其特点在于:所述步骤5的具体实现方法为:根据步骤4训练得到的模型提取查询集和测试集的特征向量,设查询样本为p,测试集为G={gi|i=1,2,...,I},首先计算它们的马氏距离d(p,gi),得到p的k-最近邻,记为N(p,k),同理gi的k-最近邻记为N(gi,k),则p的交叉近邻定义为:C(p,k)={gi|gi∈N(p,k)^p∈N(gi,k)},采用上述相同方法得到gi的交叉近邻C(gi,k);得到如下最终距离:
d(p,gi)=λd(p,gi)+(1-λ)dJ(p,gi)
其中λ为平衡参数,设置λ=0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721690.8A CN108960140B (zh) | 2018-07-04 | 2018-07-04 | 基于多区域特征提取和融合的行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721690.8A CN108960140B (zh) | 2018-07-04 | 2018-07-04 | 基于多区域特征提取和融合的行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960140A true CN108960140A (zh) | 2018-12-07 |
CN108960140B CN108960140B (zh) | 2021-04-27 |
Family
ID=64485516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810721690.8A Active CN108960140B (zh) | 2018-07-04 | 2018-07-04 | 基于多区域特征提取和融合的行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960140B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
CN109829430A (zh) * | 2019-01-31 | 2019-05-31 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于异构层次化注意机制的跨模态行人再识别方法及系统 |
CN109919252A (zh) * | 2019-03-26 | 2019-06-21 | 中国科学技术大学 | 利用少数标注图像生成分类器的方法 |
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 |
CN110008861A (zh) * | 2019-03-21 | 2019-07-12 | 华南理工大学 | 一种基于全局和局部特征学习的行人再识别方法 |
CN110008913A (zh) * | 2019-04-08 | 2019-07-12 | 南京工业大学 | 基于姿态估计与视点机制融合的行人再识别方法 |
CN110110755A (zh) * | 2019-04-04 | 2019-08-09 | 长沙千视通智能科技有限公司 | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 |
CN110135237A (zh) * | 2019-03-24 | 2019-08-16 | 北京化工大学 | 一种手势识别方法 |
CN110163127A (zh) * | 2019-05-07 | 2019-08-23 | 国网江西省电力有限公司检修分公司 | 一种由粗到细的视频目标行为识别方法 |
CN110232133A (zh) * | 2019-05-16 | 2019-09-13 | 华中科技大学 | 一种基于特征融合和款式分类的服装图像检索方法和系统 |
CN110427898A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 包裹安检识别方法、系统、装置及计算机可读存储介质 |
CN110490060A (zh) * | 2019-07-10 | 2019-11-22 | 特斯联(北京)科技有限公司 | 一种基于机器学习硬件架构的安防前端视频设备 |
CN110598543A (zh) * | 2019-08-05 | 2019-12-20 | 华中科技大学 | 基于属性挖掘和推理的模型训练方法及行人再识别方法 |
CN110598654A (zh) * | 2019-09-18 | 2019-12-20 | 合肥工业大学 | 多粒度交叉模态特征融合行人再识别方法和再识别系统 |
CN110782398A (zh) * | 2018-12-13 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法、生成式对抗网络、电子设备及存储介质 |
CN110781931A (zh) * | 2019-10-14 | 2020-02-11 | 国家广播电视总局广播电视科学研究院 | 一种局部特征提取和融合的超高清片源转换曲线检测方法 |
CN111026898A (zh) * | 2019-12-10 | 2020-04-17 | 云南大学 | 一种基于交叉空间池化策略的弱监督图像情感分类与定位方法 |
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 |
CN111428562A (zh) * | 2020-02-24 | 2020-07-17 | 天津师范大学 | 一种基于部件引导图卷积网络的行人再识别方法 |
CN111460876A (zh) * | 2019-06-05 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 用于识别视频的方法和装置 |
CN111582008A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 训练分类模型的装置和方法及利用分类模型分类的装置 |
CN111738143A (zh) * | 2020-06-19 | 2020-10-02 | 重庆邮电大学 | 一种基于期望最大化的行人重识别方法 |
CN112016489A (zh) * | 2020-09-02 | 2020-12-01 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
CN112101183A (zh) * | 2020-09-10 | 2020-12-18 | 深圳市商汤科技有限公司 | 车辆识别方法及装置、电子设备及存储介质 |
WO2021017316A1 (zh) * | 2019-07-30 | 2021-02-04 | 平安科技(深圳)有限公司 | 基于残差网络的信息识别方法、装置和计算机设备 |
CN112560604A (zh) * | 2020-12-04 | 2021-03-26 | 中南大学 | 一种基于局部特征关系融合的行人重识别方法 |
CN112580694A (zh) * | 2020-12-01 | 2021-03-30 | 中国船舶重工集团公司第七0九研究所 | 基于联合注意力机制的小样本图像目标识别方法及系统 |
CN113408356A (zh) * | 2021-05-21 | 2021-09-17 | 深圳市广电信义科技有限公司 | 基于深度学习的行人重识别方法、装置、设备及存储介质 |
CN113486734A (zh) * | 2021-06-18 | 2021-10-08 | 广东技术师范大学 | 一种步态识别方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120183212A1 (en) * | 2006-12-04 | 2012-07-19 | Lockheed Martin Corporation | Identifying descriptor for person or object in an image |
CN107832672A (zh) * | 2017-10-12 | 2018-03-23 | 北京航空航天大学 | 一种利用姿态信息设计多损失函数的行人重识别方法 |
CN108229444A (zh) * | 2018-02-09 | 2018-06-29 | 天津师范大学 | 一种基于整体和局部深度特征融合的行人再识别方法 |
-
2018
- 2018-07-04 CN CN201810721690.8A patent/CN108960140B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120183212A1 (en) * | 2006-12-04 | 2012-07-19 | Lockheed Martin Corporation | Identifying descriptor for person or object in an image |
CN107832672A (zh) * | 2017-10-12 | 2018-03-23 | 北京航空航天大学 | 一种利用姿态信息设计多损失函数的行人重识别方法 |
CN108229444A (zh) * | 2018-02-09 | 2018-06-29 | 天津师范大学 | 一种基于整体和局部深度特征融合的行人再识别方法 |
Non-Patent Citations (1)
Title |
---|
DING S 等: "Deep feature learning with relative distance comparison for person re-identification", 《PATTERN RECOGNITION》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782398A (zh) * | 2018-12-13 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法、生成式对抗网络、电子设备及存储介质 |
CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
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 |
CN109829430A (zh) * | 2019-01-31 | 2019-05-31 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于异构层次化注意机制的跨模态行人再识别方法及系统 |
CN109829430B (zh) * | 2019-01-31 | 2021-02-19 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于异构层次化注意机制的跨模态行人再识别方法及系统 |
CN111582008B (zh) * | 2019-02-19 | 2023-09-08 | 富士通株式会社 | 训练分类模型的装置和方法及利用分类模型分类的装置 |
CN111582008A (zh) * | 2019-02-19 | 2020-08-25 | 富士通株式会社 | 训练分类模型的装置和方法及利用分类模型分类的装置 |
CN110008861A (zh) * | 2019-03-21 | 2019-07-12 | 华南理工大学 | 一种基于全局和局部特征学习的行人再识别方法 |
CN110135237A (zh) * | 2019-03-24 | 2019-08-16 | 北京化工大学 | 一种手势识别方法 |
CN110135237B (zh) * | 2019-03-24 | 2021-11-26 | 北京化工大学 | 一种手势识别方法 |
CN109919252B (zh) * | 2019-03-26 | 2020-09-01 | 中国科学技术大学 | 利用少数标注图像生成分类器的方法 |
CN109919252A (zh) * | 2019-03-26 | 2019-06-21 | 中国科学技术大学 | 利用少数标注图像生成分类器的方法 |
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 |
CN110110755B (zh) * | 2019-04-04 | 2021-02-26 | 长沙千视通智能科技有限公司 | 基于ptgan区域差距与多重分支的行人重识别检测方法及装置 |
CN110110755A (zh) * | 2019-04-04 | 2019-08-09 | 长沙千视通智能科技有限公司 | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 |
CN110008913A (zh) * | 2019-04-08 | 2019-07-12 | 南京工业大学 | 基于姿态估计与视点机制融合的行人再识别方法 |
CN110163127A (zh) * | 2019-05-07 | 2019-08-23 | 国网江西省电力有限公司检修分公司 | 一种由粗到细的视频目标行为识别方法 |
CN110232133A (zh) * | 2019-05-16 | 2019-09-13 | 华中科技大学 | 一种基于特征融合和款式分类的服装图像检索方法和系统 |
CN111460876B (zh) * | 2019-06-05 | 2021-05-25 | 北京京东尚科信息技术有限公司 | 用于识别视频的方法和装置 |
CN111460876A (zh) * | 2019-06-05 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 用于识别视频的方法和装置 |
US11967134B2 (en) | 2019-06-05 | 2024-04-23 | Beijing Jingdong Shangke Information Technology Co., Ltd. | Method and device for identifying video |
CN110490060B (zh) * | 2019-07-10 | 2020-09-11 | 特斯联(北京)科技有限公司 | 一种基于机器学习硬件架构的安防前端视频设备 |
CN110490060A (zh) * | 2019-07-10 | 2019-11-22 | 特斯联(北京)科技有限公司 | 一种基于机器学习硬件架构的安防前端视频设备 |
WO2021017316A1 (zh) * | 2019-07-30 | 2021-02-04 | 平安科技(深圳)有限公司 | 基于残差网络的信息识别方法、装置和计算机设备 |
CN110598543A (zh) * | 2019-08-05 | 2019-12-20 | 华中科技大学 | 基于属性挖掘和推理的模型训练方法及行人再识别方法 |
CN110427898A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 包裹安检识别方法、系统、装置及计算机可读存储介质 |
CN110598654B (zh) * | 2019-09-18 | 2022-02-11 | 合肥工业大学 | 多粒度交叉模态特征融合行人再识别方法和再识别系统 |
CN110598654A (zh) * | 2019-09-18 | 2019-12-20 | 合肥工业大学 | 多粒度交叉模态特征融合行人再识别方法和再识别系统 |
CN110781931A (zh) * | 2019-10-14 | 2020-02-11 | 国家广播电视总局广播电视科学研究院 | 一种局部特征提取和融合的超高清片源转换曲线检测方法 |
CN110781931B (zh) * | 2019-10-14 | 2022-03-08 | 国家广播电视总局广播电视科学研究院 | 一种局部特征提取和融合的超高清片源转换曲线检测方法 |
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 |
CN111026898A (zh) * | 2019-12-10 | 2020-04-17 | 云南大学 | 一种基于交叉空间池化策略的弱监督图像情感分类与定位方法 |
CN111428562B (zh) * | 2020-02-24 | 2022-09-23 | 天津师范大学 | 一种基于部件引导图卷积网络的行人再识别方法 |
CN111428562A (zh) * | 2020-02-24 | 2020-07-17 | 天津师范大学 | 一种基于部件引导图卷积网络的行人再识别方法 |
CN111738143A (zh) * | 2020-06-19 | 2020-10-02 | 重庆邮电大学 | 一种基于期望最大化的行人重识别方法 |
CN111738143B (zh) * | 2020-06-19 | 2022-04-19 | 重庆邮电大学 | 一种基于期望最大化的行人重识别方法 |
CN112016489A (zh) * | 2020-09-02 | 2020-12-01 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
CN112016489B (zh) * | 2020-09-02 | 2022-10-04 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
CN112101183A (zh) * | 2020-09-10 | 2020-12-18 | 深圳市商汤科技有限公司 | 车辆识别方法及装置、电子设备及存储介质 |
CN112580694A (zh) * | 2020-12-01 | 2021-03-30 | 中国船舶重工集团公司第七0九研究所 | 基于联合注意力机制的小样本图像目标识别方法及系统 |
CN112580694B (zh) * | 2020-12-01 | 2024-04-19 | 中国船舶重工集团公司第七0九研究所 | 基于联合注意力机制的小样本图像目标识别方法及系统 |
CN112560604A (zh) * | 2020-12-04 | 2021-03-26 | 中南大学 | 一种基于局部特征关系融合的行人重识别方法 |
CN113408356A (zh) * | 2021-05-21 | 2021-09-17 | 深圳市广电信义科技有限公司 | 基于深度学习的行人重识别方法、装置、设备及存储介质 |
CN113486734A (zh) * | 2021-06-18 | 2021-10-08 | 广东技术师范大学 | 一种步态识别方法、系统、设备及存储介质 |
CN113486734B (zh) * | 2021-06-18 | 2023-11-21 | 广东技术师范大学 | 一种步态识别方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108960140B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960140A (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
Tang et al. | Fruit detection and positioning technology for a Camellia oleifera C. Abel orchard based on improved YOLOv4-tiny model and binocular stereo vision | |
US11195051B2 (en) | Method for person re-identification based on deep model with multi-loss fusion training strategy | |
CN113516012B (zh) | 一种基于多层级特征融合的行人重识别方法及系统 | |
CN102682302B (zh) | 一种基于关键帧的多特征融合的人体姿态识别方法 | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN109299707A (zh) | 一种基于模糊深度聚类的无监督行人再识别方法 | |
Huang et al. | DeepDiff: Learning deep difference features on human body parts for person re-identification | |
CN107729993A (zh) | 利用训练样本及折中度量的3d卷积神经网络构建方法 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN111460980B (zh) | 基于多语义特征融合的小目标行人的多尺度检测方法 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN111242227B (zh) | 一种基于异构深度特征的多模态地基云识别方法 | |
CN103226699B (zh) | 一种基于分离度差有监督局部保持投影的人脸识别方法 | |
CN105975932A (zh) | 基于时间序列shapelet的步态识别分类方法 | |
CN105469117B (zh) | 一种基于鲁棒特征提取的图像识别方法与装置 | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN108446619A (zh) | 基于深度强化学习的人脸关键点检测方法及装置 | |
CN111353411A (zh) | 一种基于联合损失函数的遮挡人脸的识别方法 | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
Liao et al. | Class-wise graph embedding-based active learning for hyperspectral image classification | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及系统 | |
Ortells et al. | Gait recognition from corrupted silhouettes: a robust statistical approach | |
CN104766051B (zh) | 基于结构化的特征图的人体行为识别方法 |
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 |