CN109492583A - 一种基于深度学习的车辆重识别方法 - Google Patents
一种基于深度学习的车辆重识别方法 Download PDFInfo
- Publication number
- CN109492583A CN109492583A CN201811330697.3A CN201811330697A CN109492583A CN 109492583 A CN109492583 A CN 109492583A CN 201811330697 A CN201811330697 A CN 201811330697A CN 109492583 A CN109492583 A CN 109492583A
- Authority
- CN
- China
- Prior art keywords
- loss
- triple
- training
- batch
- vehicle
- 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.)
- Pending
Links
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
-
- 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
- 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
- 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
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)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的车辆重识别方法,包括下述步骤:采用批次困难三重损失去训练卷积神经网络,训练时采用三元组去捕获三个元素之间的相对相似性来学习代表性特征;采用交叉商损失去训练并在此基础上加入标签平滑规范化;对批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练;在基准数据集上实验评价其结果。本发明有效解决现有技术中随着训练的不断深入很多三元组变成“无用的”三元组的问题和训练耗时的问题,标签平滑规范化能够减弱由于训练过拟合而降低模型的泛化能力和适应性等问题。
Description
技术领域
本发明属于计算机视觉技术,具体涉及一种基于深度学习的车辆重识别方法。
背景技术
随着视频监控在公共安全领域占据着越来越重要的地位,车辆相关的任务越来越受到人们的关注,如车辆检测、跟踪、分类和验证等等。将目标重识别技术应用到车辆识别的领域已经成为迫在眉睫的需求。如何在复杂的城市视频图像中排查到公共安全部门所需要追踪的目标车辆尤其重要。车辆重识别的任务是:在给定已知目标车辆图像的情况下,在数据库中搜索多个无重叠区域摄像头下所捕获的相同车辆的图像。与车辆检测,跟踪和分类不同,车辆重识别可以作为实例级别的对象搜索问题。
传统上,车辆重识别的问题是由多个线索和/或传感器数据的组合,如通道时间[和无线磁性传感器。这些方法要么需要额外的硬件成本,要么就是对多变的环境敏感。此外,车牌信息是车辆识别中的一个重要信息,因此车牌相关技术已被广泛应用并深入研究。然而,车牌可能是故意的闭塞、移除、甚至伪造,尤指犯罪情节。因此,车辆重识别方法纯粹基于外表,既有实用价值,也有研究意义。
一般情况下,类似于行人重识别任务,车辆重识别研究主要分为两类:建立外观建模和优化距离度量方法。建立外观模型,根据车辆的外观信息构造特征来对不同的车辆进行区分;优化距离度量方法,用一部分样本来训练距离度量模型,减小类内差异与增大类间差异相结合进行车辆重识别任务。
但是,与行人图像相比,不同的车辆图像之间具有更加相似的外观信息,相同的车辆之间又有可能因为天气、光照等因素造成外观上的比较大的差异,所以车辆重识别具有更多的挑战。除此之外,车辆重识别存在一个特殊难点,由于属于同一车型的车辆彼此非常相似,即使用人眼来区分具有不同ID但属于同一型号的车辆也是非常困难的。因此,车辆重识别需要更加鲁棒地区分目标与非目标之间的差异。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于深度学习的车辆重识别方法。
技术方案:本发明的一种基于深度学习的车辆重识别方法,其特征在于,包含以下步骤:
(1)采用批次困难三重损失去训练卷积神经网络,训练时采用三元组去捕获三个元素之间的相对相似性来学习代表性特征,所述三元组为(锚点、正样本、负样本);
(2)采用约束力更强大的交叉商损失去训练,并且在此训练基础上加入标签平滑规范化;
(3)对批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练;
(4)在基准数据集上实验评价其结果。
进一步的,所述步骤(1)中包括以下步骤:
(1.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(1.2)在一个训练批次内,在特征空间中,随机挑选一个锚点,针对这个锚点,挑选一个最难的正样本和一个最难的负样本,计算其相对相似性;
其中,所述批量困难三重损失公式可表示为:
(1.3)根据(1.2)中相似性得分,不断拉近正样本,推远负样本,最终达到聚类的效果。
特征空间中,锚点Xa和Xp相对距离为:Da,p=D(fθ(Xa),fθ(Xp)),
θ为映射函数参数,传统的三重损失表示为;
该三重损失确保锚点Xa与相似的类Xp比与不相似的类Xn更加接近;m是添加的一个边际,针对传统三重损失的弱约束性加以改进,所述批次困难三重损失训练过程中,通过随机抽取C类形成批处理,然后随机采样每个类的K个图像,从而产生一批C*K个图像;然后,对于批次中的样本a,选择在这个批次内最难的正负样本形成三元组来计算损失,该损失即为批次困难三重损失;
其中,所述批量困难三重损失公式表示为:
在一个小的批次X中Xi,j对于的是第j张图像,它属于第i类车辆。
进一步的,所述步骤(2)中包括以下步骤:
(2.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(2.2)最终池化Pooling为和车辆ID数目相同的特征维数;
(2.3)采用交叉商损失作为损失函数,加入标签平滑规范化损失;
交叉商损失函数如下:
其中C是类的数目,p(c)是预测输入属于标签c的概率,q(c)是真实分布,如果数据集里有辆车的ID属于y,那么q(c)被定义为,
对于给定的车辆ID为y,则交叉商损失则重写为,
LCross=-logp(y)
引入标签平滑规范化损失后,标签分布的重新分配则被改写为:
其中ξ∈[0,1],将其带入交叉商损失中则表示为,
进一步的,所述加入标签平滑规范化损失的交叉商损失训练过程中,为避免传统交叉商损失函数作为损失函数时,真实类别的后验概率要么为1,要么为0,所产生的过拟合问题,此处引入LSR,轻柔地分发其标签,对于对应噪声,将较小的权重分配给一些噪声,对于训练过程将更加的合理。
进一步的,所述步骤(3)中包括以下步骤:
(3.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(3.2)将批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练;
(3.3)得到训练后的网络模型。
进一步的,所述步骤(4)中包括以下步骤:
(4.1)使用测试车辆图片去测试训练后的网络模型;
(4.2)将得到的实验结果与与现有技术相比较,评价并分析本方案。
有益效果:本发明结合深度学习的方法对传统的三重损失加以优化,并加入交叉商损失,可以加强其约束,还加入标签平滑规范化,提高了模型的泛化能力和适应性,可达到较好的识别效果。
附图说明
图1为本发明的网络结构示意图;
图2为本发明的流程框图;
图3为实施例中车辆重识别的评价结果柱状图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本实施例的一种基于深度学习的车辆重识别方法,提出一个联合训练的车辆重识别网络,利用共享的ResNet50后面的二个支流来学习图像的表示。批量困难三重损失流提供了三重损失的约束,分类流包含交叉熵损失和LSR损失,这不仅增强了对三重损失的约束,而且降低了过拟合。二个支流的联合学习加强了图像特征的表达。
本实施的基于深度学习的车辆重识别方法具体步骤如图2所示:
步骤(1)采用批次困难三重损失去训练卷积神经网络,训练时采用三元组(锚点、正样本、负样本)去捕获三个元素之间的相对相似性来学习代表性特征;
(1.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(1.2)在一个训练批次内,在特征空间中,随机挑选一个锚点,针对这个锚点,挑选一个最难的正样本和一个最难的负样本,计算其相对相似性;
将卷积后的特征向量映射到特征空间中,就变成了一个特征点,代表了整张图像的语义信息。训练的过程就是不断降低三重损失和期望损失的差值,也就是缩短映射中的锚点与正样本点的距离,增大锚点与负样本点的距离。所以三重损失最小化公式表示为:
这个损失能够确保,给定的锚点Xa与相似的类(车辆)Xp比Xa与不相似的类Xn更加接近。m则是添加的一个边际。这样,在训练过后,同一车辆的特征点比不同车辆的特征点更加接近。然后,与查询图像距离较小的图像则更高的概率是相同的车辆ID。
虽然传统的三重损失有助于训练卷积神经网络并具有一定的判别能力,但是也有一定的局限性。三重损失是随机选取三元组,数据集越大,三元组的的数量可能就越大。给予充足的训练时间是不切实际的。更糟糕的是,一些三元组能够较快的学习正确,也就是较快的拉近正样本,推远负样本。从而造成大量“无用的”三元组。所有困难挑选成为了至关重要的一步。实际上,反复学习不同颜色的车辆不是同一辆车,对于卷积神经网络而言,没有学习到关键信息。而学习具有相同颜色的不同款式的车辆则有助于理解“同一辆车辆”的概念。
传统三重损失是随机大量选择三元组,是没有效率和耗时的。所以本发明提出批量困难三重损失,核心思想是通过随机抽取C类(车辆的ID)形成批处理,然后随机采样每个类的K个图像(车辆的图片),从而产生一批C*K个图像。然后,对于批次中的样本a,此处选择在这个批次内最难的正负样本形成三元组来计算损失。
批量困难三重损失公式表示为:
批量困难三重损失由于只是在一个小批量里面选择最难的正负样本,所有可以更有效率的选取三元组,既解决了传统的三重损失训练不收敛的问题,也解决了训练耗时的问题。
(1.3)根据(2)中相似性得分,不断拉近正样本,推远负样本,最终达到聚类的效果。
步骤(2)采用约束力更强大的交叉商损失去训练并且在此基础上加入了标签平滑规范化;
(2.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(2.2)最终池化(Pooling)为和车辆ID数目相同的特征维数;
(2.3)采用交叉商损失作为损失函数,加入标签平滑规范化损失。
现有技术中,单单使用批量困难三重损失也无法达到更好的效果,交叉商损失在识别训练中表现优异,所有本发明中将交叉商损失和三重损失联合一起训练,已到达更好的识别效果。交叉商损失函数定义公式如下,
其中C是类的数目,p(c)是预测输入属于标签c的概率。q(c)是真实分布。如果数据集里有辆车的ID属于y,那么q(c)就可以被定义为,
所以最小化交叉商等于最大化真实标签概率。对于给定的车辆ID为y,则交叉商损失则可重写为,
LCross=-logp(y)
网络采用softmax分类器以及交叉商函数作为损失函数时,真实类别的后验概率要么为1,要么为0。这就会产生过拟合的问题,特别是在数据集比较大时。所以我们引入了标签平滑规范化损失,轻柔地分发他们的标签,对于一些噪声,将较小的权重分配给它。标签分布的重新分配则被改写为:
其中ξ∈[0,1]。将其带入交叉商损失中则可表示为,
将标签平滑规范化加入交叉熵损失函数有效地解决训练过拟合的问题,使网络权重分配更合理,有效减少了噪声点的干扰。在本实验中,设置ξ=0.1,损失函数LF=LLSR(ξ=0.1)。
步骤(3)对批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练:
(3.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(3.2)将批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练;
(3.3)得到训练后的网络模型。
本实施例中采用改进的联合学习卷积神经网络网络性能,为了加强三重态损耗约束,提出了硬三重损失,这不仅解决了许多三元组变成“无用”三元组的问题。随着培训的深入,也解决了问题。
训练耗时通过增加一个交叉熵损失更有效地培训联合网络分支机构。最后,损失函数表述为:
LJL=LBH(θ;X)+λLLSR
本实施例中,进行实验的数据集是VERI数据集,这是最近发布的含有车辆ID的数据集,这些车辆图像是从真实世界的监控视频中提取的。这个数据集包含619辆车,其中有40000张车辆图片,被20个监视摄像机所捕获。每辆车在20个相机下有不同分辨率、不同角度、不同光照条件的车辆图片,并且有这个每辆车经过监视摄像机的时间信息。每个图像中的车辆从正面或背面被捕获。故意将车辆牌照从图像中移除,以防隐私关注。
本实施例中,改进的联合卷积神经网络是使用pytorch实现的。使用所有有身份标示的车辆去训练和随机选择样本去验证。由于数据集可以很大,训练数据被随机分为小排量,批大小为64。在训练中,设置全部输入图片的大小为256×256该模型分批进行前向传播和计算损失。其中三重损失中的边界值设为0.3,反向传播算法来计算每个批次的梯度和权重的随机梯度下降。使用随机梯度下降的动量为0.9和权重衰减λ为0.0005在训练过程中,基本学习率在开始时设置为0.0003。
在VERI数据集上的实验结果如下,
其中“FACT”,它结合了深层神经网络所提取的颜色,纹理和高层语义信息。而“FACT+Plate+STR”则通过利用车牌信息训练一个连体网络和时空关系(STR)结合FACT外观模型,以提高车辆重识别的性能。与“FACT+Plate+STR”的方法相比较,我们的方法完全基于外观属性,反而效果更好,在map上提高了160%,在rank1和rank5上分别提高了54%和24%。“VGG+T”则是在VGG网络上使用传统三重损失得到的。“VGG+C+T”是在三重损失的基础上融合了softmax损失。“VGG+C+T+S”则是在以上基础上加入了一个三重损失的采样方法。我们提出的联合学习在结果上优于“VGG+C+T+S”方法,在map上提高了26%,在rank1和rank5上分别提高了10%和5%。
步骤(4)在基准数据集上实验评价其结果,相比于现有技术,本发明结合深度学习的方法对传统的三重损失加以优化,并加入交叉商损失,可以加强其约束,还加入标签平滑规范化,提高了模型的泛化能力和适应性,可达到较好的识别效果。
通过上述实施例可以看出,本发明有效解决传统的三重损失训练时的弱约束性的缺点——随着训练的不断深入很多三元组变成“无用的”三元组的问题,也解决了训练耗时的问题。加入的标签平滑规范化,减弱了由于训练过拟合而降低模型的泛化能力和适应性等问题。在基准数据集上评估所提出的方法,综合实验结果表明,与现有技术相比较,所提出的方法具有良好的性能。
Claims (7)
1.一种基于深度学习的车辆重识别方法,其特征在于,包含以下步骤:
(1)采用批次困难三重损失去训练卷积神经网络,训练时采用三元组去捕获三个元素之间的相对相似性来学习代表性特征,所述三元组为(锚点、正样本、负样本);
(2)采用交叉商损失去训练,并且在此训练基础上加入标签平滑规范化;
(3)对批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练;
(4)在基准数据集上实验评价其结果。
2.根据权利要求1所述的基于深度学习的车辆重识别方法,其特征在于:所述步骤(1)中包括以下步骤:
(1.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(1.2)在一个训练批次内,在特征空间中,随机挑选一个锚点,针对这个锚点,挑选一个最难的正样本和一个最难的负样本,计算其相对相似性,即计算其相对距离;
(1.3)根据(1.2)中相似性得分,不断拉近正样本,推远负样本,最终达到聚类的效果。
3.根据权利要求2所述的基于基于深度学习的车辆重识别方法,其特征在于:所述特征空间中,锚点Xa和Xp相对距离为:Da,p=D(fθ(Xa),fθ(Xp)),
θ为映射函数参数,传统的三重损失表示为;
该三重损失确保锚点Xa与相似的类Xp比与不相似的类Xn更加接近;m是添加的一个边际,针对传统三重损失的弱约束性加以改进,所述批次困难三重损失训练过程中,通过随机抽取C类形成批处理,然后随机采样每个类的K个图像,从而产生一批C*K个图像;然后,对于批次中的样本a,选择在这个批次内最难的正负样本形成三元组来计算损失,该损失即为批次困难三重损失;
其中,所述批量困难三重损失公式表示为:
在一个小的批次X中Xi,j对于的是第j张图像,它属于第i类车辆。
4.根据权利要求1所述的基于深度学习的车辆重识别方法,其特征在于:所述步骤(2)中包括以下步骤:
(2.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(2.2)最终池化Pooling为和车辆ID数目相同的特征维数;
(2.3)采用交叉商损失作为损失函数,加入标签平滑规范化损失;
交叉商损失函数如下:
其中,C是类的数目,p(c)是预测输入属于标签c的概率,q(c)是真实分布,如果数据集里有辆车的ID属于y,那么q(c)被定义为,
对于给定的车辆ID为y,则交叉商损失则重写为,
LCross=-logp(y)
引入标签平滑规范化损失后,标签分布的重新分配则被改写为:
其中ξ∈[0,1],将其带入交叉商损失中则表示为,
5.根据权利要求4所述的基于深度学习的车辆重识别方法,其特征在于:所述加入标签平滑规范化损失的交叉商损失训练过程中,引入LSR,轻柔地分发其标签,对于对应噪声,将较小的权重分配给一些噪声。
6.根据权利要求1所述的基于深度学习的车辆重识别方法,其特征在于:所述步骤(3)中包括以下步骤:
(3.1)将原始的车辆数据放入ResNet50的卷积神经网络中,进行卷积操作,得到2048维特征;
(3.2)将批次困难三重损失和加入标签平滑规范化损失的交叉商损失进行联合训练;
(3.3)得到训练后的网络模型。
7.根据权利要求1所述的基于深度学习的车辆重识别方法,其特征在于:所述步骤(4)中包括以下步骤:
(4.1)使用测试车辆图片去测试训练后的网络模型;
(4.2)将得到的实验结果进行评价并分析实验结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330697.3A CN109492583A (zh) | 2018-11-09 | 2018-11-09 | 一种基于深度学习的车辆重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330697.3A CN109492583A (zh) | 2018-11-09 | 2018-11-09 | 一种基于深度学习的车辆重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492583A true CN109492583A (zh) | 2019-03-19 |
Family
ID=65694201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330697.3A Pending CN109492583A (zh) | 2018-11-09 | 2018-11-09 | 一种基于深度学习的车辆重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492583A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
CN110399828A (zh) * | 2019-07-23 | 2019-11-01 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
CN110534087A (zh) * | 2019-09-04 | 2019-12-03 | 清华大学深圳研究生院 | 一种文本韵律层级结构预测方法、装置、设备及存储介质 |
CN110717411A (zh) * | 2019-09-23 | 2020-01-21 | 湖北工业大学 | 一种基于深层特征融合的行人重识别方法 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN110852210A (zh) * | 2019-10-29 | 2020-02-28 | 上海眼控科技股份有限公司 | 车辆重识别模型的生成方法及设备 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111914911A (zh) * | 2020-07-16 | 2020-11-10 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
CN113221911A (zh) * | 2021-04-09 | 2021-08-06 | 华南理工大学 | 一种基于双重注意力机制的车辆重识别方法及系统 |
CN114661400A (zh) * | 2019-07-19 | 2022-06-24 | 尤帕斯公司 | 基于多锚点的用户界面的提取、识别与机器学习 |
CN116596060A (zh) * | 2023-07-19 | 2023-08-15 | 深圳须弥云图空间科技有限公司 | 深度强化学习模型训练方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
US20170344808A1 (en) * | 2016-05-28 | 2017-11-30 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
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 |
CN108009528A (zh) * | 2017-12-26 | 2018-05-08 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
-
2018
- 2018-11-09 CN CN201811330697.3A patent/CN109492583A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170344808A1 (en) * | 2016-05-28 | 2017-11-30 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
CN106570477A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院自动化研究所 | 基于深度学习的车型识别模型构建方法及车型识别方法 |
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 |
CN108009528A (zh) * | 2017-12-26 | 2018-05-08 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
ALEXANDER HERMANS等: "In Defense of the Triplet Loss for Person Re-Identification", 《ARXIV:1703.07737V4》 * |
CHRISTIAN SZEGEDY等: "Rethinking the Inception Architecture for Computer Vision", 《ARXIV:1512.00567V3》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109948587B (zh) * | 2019-03-29 | 2021-06-08 | 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 |
CN110059734A (zh) * | 2019-04-02 | 2019-07-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
CN110059734B (zh) * | 2019-04-02 | 2021-10-26 | 唯思科技(北京)有限公司 | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 |
US11983379B2 (en) | 2019-07-19 | 2024-05-14 | UiPath, Inc. | Multi-anchor based extraction, recognition, and machine learning of user interface (UI) |
CN114661400B (zh) * | 2019-07-19 | 2023-12-01 | 尤帕斯公司 | 基于多锚点的用户界面的提取、识别与机器学习 |
CN114661400A (zh) * | 2019-07-19 | 2022-06-24 | 尤帕斯公司 | 基于多锚点的用户界面的提取、识别与机器学习 |
CN110399828A (zh) * | 2019-07-23 | 2019-11-01 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
CN110399828B (zh) * | 2019-07-23 | 2022-10-28 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
CN110534087B (zh) * | 2019-09-04 | 2022-02-15 | 清华大学深圳研究生院 | 一种文本韵律层级结构预测方法、装置、设备及存储介质 |
CN110534087A (zh) * | 2019-09-04 | 2019-12-03 | 清华大学深圳研究生院 | 一种文本韵律层级结构预测方法、装置、设备及存储介质 |
CN110717411A (zh) * | 2019-09-23 | 2020-01-21 | 湖北工业大学 | 一种基于深层特征融合的行人重识别方法 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN110852210A (zh) * | 2019-10-29 | 2020-02-28 | 上海眼控科技股份有限公司 | 车辆重识别模型的生成方法及设备 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111914911B (zh) * | 2020-07-16 | 2022-04-08 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
CN111914911A (zh) * | 2020-07-16 | 2020-11-10 | 桂林电子科技大学 | 一种基于改进深度相对距离学习模型的车辆再识别方法 |
CN113221911A (zh) * | 2021-04-09 | 2021-08-06 | 华南理工大学 | 一种基于双重注意力机制的车辆重识别方法及系统 |
CN116596060A (zh) * | 2023-07-19 | 2023-08-15 | 深圳须弥云图空间科技有限公司 | 深度强化学习模型训练方法、装置、电子设备及存储介质 |
CN116596060B (zh) * | 2023-07-19 | 2024-03-15 | 深圳须弥云图空间科技有限公司 | 深度强化学习模型训练方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492583A (zh) | 一种基于深度学习的车辆重识别方法 | |
CN111539370B (zh) | 一种基于多注意力联合学习的图像行人重识别方法和系统 | |
Li et al. | Traffic light recognition for complex scene with fusion detections | |
CN111259786B (zh) | 一种基于视频的外观和运动信息同步增强的行人重识别方法 | |
Mei et al. | Semantic segmentation of 3D LiDAR data in dynamic scene using semi-supervised learning | |
CN112396027B (zh) | 基于图卷积神经网络的车辆重识别方法 | |
Wang et al. | A survey of vehicle re-identification based on deep learning | |
Sun et al. | Conditional regression forests for human pose estimation | |
Zhang et al. | Coarse-to-fine object detection in unmanned aerial vehicle imagery using lightweight convolutional neural network and deep motion saliency | |
CN111582178B (zh) | 基于多方位信息和多分支神经网络车辆重识别方法及系统 | |
CN111652035B (zh) | 一种基于ST-SSCA-Net的行人重识别方法及系统 | |
WO2021243947A1 (zh) | 对象再识别方法及装置、终端和存储介质 | |
CN113033454B (zh) | 一种城市视频摄像中建筑物变化的检测方法 | |
CN114049572A (zh) | 识别小目标的检测方法 | |
Tao et al. | An adaptive frame selection network with enhanced dilated convolution for video smoke recognition | |
CN115035298A (zh) | 基于多维注意力机制的城市街景语义分割增强方法 | |
CN113989744A (zh) | 一种基于超大尺寸高分辨图像的行人目标检测方法及系统 | |
Tian et al. | Domain adaptive object detection with model-agnostic knowledge transferring | |
Ghasemi et al. | A real-time multiple vehicle classification and tracking system with occlusion handling | |
Ahmad et al. | Embedded deep vision in smart cameras for multi-view objects representation and retrieval | |
Wang et al. | Summary of object detection based on convolutional neural network | |
CN112668662A (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN116012949B (zh) | 一种复杂场景下的人流量统计识别方法及系统 | |
Gao et al. | Deep rank-consistent pyramid model for enhanced crowd counting | |
Oztel | Human detection system using different depths of the resnet-50 in faster r-cnn |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |