CN109902662A - 一种行人重识别方法、系统、装置和存储介质 - Google Patents
一种行人重识别方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN109902662A CN109902662A CN201910211315.3A CN201910211315A CN109902662A CN 109902662 A CN109902662 A CN 109902662A CN 201910211315 A CN201910211315 A CN 201910211315A CN 109902662 A CN109902662 A CN 109902662A
- Authority
- CN
- China
- Prior art keywords
- preset
- pedestrian
- feature space
- cluster
- classification results
- 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 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013459 approach Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 241000271897 Viperidae Species 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种行人重识别方法、系统、装置和存储介质,其中方法包括以下步骤:将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;对特征空间进行降维处理后,获得特征空间的稀疏表示;采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;对聚类结果进行选择后,获得筛选后的分类结果;将分类结果输入预设的卷积神经网络进行训练优化;重复以上步骤,直到分类结果收敛,并获得行人重识别结果。本发明提出了一个易于实施的无监督学习的深度学习框架,把自步学习嵌入到无监督学习的过程中,实现了把无监督方法整合到深度学习框架当中,且该框架结构容易实施,可广泛应用于计算机视觉技术领域。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种行人重识别方法、系统、装置和存储介质。
背景技术
行人重识别方法就是在不同镜头下,匹配到同一个人的照片。在不能拍摄到正脸的时候,行人重识别可以作为重要的补充性任务,可以在无法捕捉到人正脸的时候对人进行识别。但是因为以下诸多原因,行人重识别的准确性仍有很大的改进空间,距离实施落地还有相当大的距离。
行人重识别任务的复杂性主要源于,人的外形在不同的镜头下会有非常大的不同甚至是反差。造成不同镜头下同一个人图片差异的原因包括衣着、光线强弱、遮挡、姿势的变动以及拍摄图像的画质等等。其次,在公共空间的人们穿着非常类似,视觉效果很接近,这又进一步为匹配任务增加了难度。
目前,行人重识别的方法主要分为有监督学习、半监督甚至无监督学习这两大类。有监督学习是利用已有类别标签的行人数据集进行监督式的训练,数据的标签可以及时有效地反馈出模型训练效果的好坏,从而进一步指导模型优化的方向。目前有监督学习主要分为行人描述学习和距离度量学习这两个大方向。行人描述学习会利用到低级特征和中级特征。低级特征包括颜色、质感等;中级特征更多的是基于属性的学习。除了把行人描述学习和距离度量学习分阶段展开以外,还有端到端的学习方法,比如以卷积神经网络为基础的深度学习模型。
现今行人重识别的主流方法都是进行有监督学习,而基于已有数据集训练的模型,由于过度依赖源数据集的特征,在未知数据集上进行测试时,会因为特征空间和识别目标的不同而得不到好的检测效果。
此外,限制有监督学习的一大瓶颈就是带标记的数据集太少。已知最新的数据集包括CUHK03、Market1501、VIPeR这几个规模稍为较大的数据集,除此之外,没有优质的大量带标签的数据集可用。而对公共场所的摄像头捕捉到的海量图片进行人工标注也是一场费时费力的工作,当图片规模大到一定程度,进行人工标注也变得不现实。
目前的弱监督的深度学习方法也基本存在计算效率低下,或者无监督目标数据集规模太小,或者没有把无监督方法真正整合到深度学习框架当中。
名词解释:
s.t.:是subject to(such that)的缩写,受约束的意思。
自步学习:英文名为Self-paced Learning,是一种学习方法论。自步学习是相对于课程学习(Curriculum learning)算法而言的。课程学习算法是基于先验知识赋予样本学习的先后顺序,属于监督型学习算法。在弱监督甚至是无监督的条件下,自步学习算法可以在每一步迭代中决定下一步的学习样本,可以避免模型陷入局部最优或者震荡。
字典学习:一种试图寻找对输入数据进行稀疏表示的表征学习方法。其表示方式主要为,将原始数据转化为基本元素的线性表示,用于此发明方法中,可以有效地压缩模型的规模。
发明内容
为了解决上述技术问题,本发明的目的是提供一种高效率的行人重识别方法、系统、装置和存储介质。
本发明所采用的第一技术方案是:
一种行人重识别方法,包括以下步骤:
S1、将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;
S2、对特征空间进行降维处理后,获得特征空间的稀疏表示;
S3、采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;
S4、对聚类结果进行选择后,获得筛选后的分类结果;
S5、将分类结果输入预设的卷积神经网络进行训练优化;
S6、重复步骤S1至S5,直到分类结果收敛,并获得行人重识别结果。
进一步,所述预设的特征提取模型通过以下步骤获得:
采用预设带标记的数据集对卷积神经网络进行预训练,并在卷积神经网络收敛后获得特征提取模型。
进一步,所述步骤S2具体为:
对特征空间进行字典学习后,获取特征空间的稀疏表示,从而实现特征空间的降维。
进一步,所述步骤S3中预设的聚类公式为:
其中,φ(·;θ)为卷积神经网络模型,ck为同属于k类的特征空间的均值向量,y为标签向量,K为行人类别的标签。
进一步,所述步骤S4,具体为:
通过设定选择阈值后,采用预设的选择公式对聚类结果对进行选择,并获得筛选后的分类结果。
进一步,所述步骤S4中预设的选择公式为:
其中,v为全部图片样本是否被选择的指代向量,为对于每一个k。
进一步,所述步骤S5中训练优化采用的损失函数公式为:
其中,w为分类模型的参数,N为样本总量,为目标损失函数。
本发明所采用的第二技术方案是:
一种行人重识别系统,包括:
特征提取模块,用于将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;
降维模块,用于对特征空间进行降维处理后,获得特征空间的稀疏表示;
聚类模块,用于采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;
选择模块,用于对聚类结果进行选择后,获得筛选后的分类结果;
训练模块,用于将分类结果输入预设的卷积神经网络进行训练优化;
重复模块,用于重复特征提取模块到训练模块的操作,直到分类结果收敛,并获得行人重识别结果。
本发明所采用的第三技术方案是:
一种计算机代码自动生成装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行上所述方法。
本发明所采用的第四技术方案是:
一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明提出了一个易于实施的无监督学习的深度学习框架,把自步学习嵌入到无监督学习的过程中,实现了把无监督方法整合到深度学习框架当中,且所述框架结构容易实施,具有相当高的易用性;另外,识别步骤中通过对特征空间进行降维处理,为后续的聚类分析过程降低了计算难度,极大地提高了计算效率。
附图说明
图1是本发明一种行人重识别方法的步骤流程图;
图2是具体实施例中一种行人重识别方法的整体实施流程图。
图3是本发明一种行人重识别系统的结构框图。
具体实施方式
实施例一
如图1所示,本实施例提供一种行人重识别方法,包括以下步骤:
A1、采用预设带标记的数据集对卷积神经网络进行预训练,并在卷积神经网络收敛后获得特征提取模型;
A2、将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;
A3、对特征空间进行降维处理后,获得特征空间的稀疏表示;
A4、采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;
A5、对聚类结果进行选择后,获得筛选后的分类结果;
A6、将分类结果输入预设的卷积神经网络进行训练优化;
A7、重复步骤A2至A6,直到分类结果收敛,并获得行人重识别结果。
众所周知,现在的行人重识别模型绝大部分都是有监督学习,而且非常依赖于数据集的标记以及数据规模。当数据规模较小的时候,模型在跨数据集使用时会发生较大偏差;而如今的无监督学习或者半监督学习方法在数据集较大时,则计算效率不高,或者方法过于复杂。本实施例提出了一个易于实施的无监督学习的深度学习框架,从而把自步学习嵌入到无监督学习的过程中,实现了把无监督方法整合到深度学习框架当中,且所述框架结构容易实施,具有相当高的易用性。通过在Market、CUHK03、VIPeR之间进行跨数据集的训练与评估,证实本发明能够显著提高行人重识别在未知数据集上的预测准确性。通过对特征空间进行稀疏表示,相当于起到了降维的效果,为后续的聚类分析过程降低了计算难度,显著提高了计算效率。
其中,所述步骤A1和步骤A6中所述的卷积神经网络为同一个神经网络。所述带标记的数据集或所述无标记的待检测数据集可以为图片数据集。
进一步作为优选的实施方式,所述步骤A3,具体为:
对特征空间进行字典学习后,获取特征空间的稀疏表示,从而实现特征空间的降维。
本实施方式中,在自步学习过程中引入了字典学习,通过字典学习,使得经过卷积神经网络提取到的特征空间能够进行稀疏表示,相当于起到了降维的效果,为后续的聚类分析降低了计算难度,提高了计算效率。
进一步作为优选的实施方式,所述步骤A4中预设的聚类公式为:
其中,φ(·;θ)为卷积神经网络模型,ck为同属于k类的特征空间的均值向量,y为标签向量,K为行人类别的标签。
进一步作为优选的实施方式,所述步骤A5,具体为:
通过设定选择阈值后,采用预设的选择公式对聚类结果对进行选择,并获得筛选后的分类结果。
在采用聚类公式对稀疏表示进行聚类处理时,由于算法在噪音较大时,会造成后续神经网络的优化过程震动幅度较大,甚至只能达到局部最优而不是全剧最优。所以,为了减轻噪音的负面干扰,需要对经过聚类公式筛选过后的向量进行筛选。具体地,通过一定阈值的限制,提高聚类学习结果的可靠性,并将可靠的筛选后的无标记数据用于卷积神经网络的进一步优化。
进一步作为优选的实施方式,所述步骤A5中预设的选择公式为:
其中,v为全部图片样本是否被选择的指代向量,为对于每一个k。
进一步作为优选的实施方式,所述步骤A6中训练优化采用的损失函数公式为:
其中,w为分类模型的参数,N为样本总量,为目标损失函数。
以下结合图2和具体实施例对上述方法进行详细解释。
本具体实施例的第一步中,先使用已知的带标记的外部数据对预设的卷积网络进行预训练。
本实施例的神经网络模块使用ResNet50网络作为CNN的骨干网络,紧随其后,增加了一个flatten层,作为从卷积网络到全连接层的过渡;接着进行dropout,避免模型过拟合;然后增加了一层全连接层fc layer,全连接层输出结果为一个特征矩阵X,X∈Rn*m。X的输出格式为:
特征矩阵的每一列代表一个样本的特征向量。其中,m是样本数量,n代表经过神经网络训练后得到的特征数量。训练好的卷积网络将作为一个特征提取器,对后续的未标记数据进行特征提取,得到未标记数据的特征向量矩阵。
第二步中,将未标记数据集经过预处理以后输入到卷积网络中,即可提取出针对此数据集的图片代表特征。
卷积网络提取的特征空间往往具有一定的规模。为了加快后续聚类和选择的效率,第三步将对特征空间进行字典学习,对特征空间进行降维表示,得到新的特征空间。
假定为标记数据集包含N个截取的人物图片,这些图片里总共包含K个人,记为设定vi作为xi是否在后续的选择模块被选中为可信样本的标记。如果vi=0,则样本xi被选中。否则,xi将不会参与后续调试网络的迭代过程中。进一步地,将v=[v1,…,vN]作为全部图片样本是否被选择的指代向量。y=[y1,…,yN]∈{1,…,K}N作为的标签向量。CNN模型标记为φ(·;θ),表示模型将用配置θ初始化。对于每一张截取的图片样本,经过φ(·;θ)和字典学习过程,将得到一个一维的特征向量,这个特征向量在后续迭代过程中被用来微调分类模型,微调的模型参数为w。在分类模型中,θ和w将同步优化。
经过上述符号的声明,在第4步的聚类过程中公式(1)将作为各个向量聚类中心的距离指标:
其中,ck是同属于k类的特征空间的均值向量。
这一步应用了标准的K均值聚类算法。但是此算法在噪音较大时,会造成后续神经网络的优化过程震动幅度较大甚至只能达到局部最优而不是全剧最优。所以为了减轻噪音的负面干扰,需要对经过(1)筛选过后的向量进行筛选。筛选依据为公式(2):
其中,λ>0。是为了保证每一个聚类中心都只有一个可信任的样本。这一步筛选出距离聚类中心足够接近的样本,这样才能保证尽量避免在后续调试CNN中引入噪音。经过公式(1)和公式(2)筛选后的结果,将其重新输入到CNN模型中进行调试。见公式(3)。
模型的损失函数设定为softmax损失函数。当然,也可以选择triplet loss或者contrastive loss。
接下来,重复公式(1)(2)(3)的过程,进行迭代。随着训练过程的进行,聚类损失,即公式(1)的结果会越来越小,随着CNN训练的进行,也会使得后续属于同一个人的照片的距离会越来越近,直到最终的聚类选择结果不再增加,模型达到收敛,即可得到行人重识别的结果。
本具体实施例的方法创造性地融合了神经网络、字典学习与自步学习的优点,达到了计算效率高、简单易执行的无监督学习过程。
实施例二
如图3所示,本实施例提供了一种行人重识别系统,包括:
特征提取模块,用于将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;
降维模块,用于对特征空间进行降维处理后,获得特征空间的稀疏表示;
聚类模块,用于采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;
选择模块,用于对聚类结果进行选择后,获得筛选后的分类结果;
训练模块,用于将分类结果输入预设的卷积神经网络进行训练优化;
重复模块,用于重复特征提取模块到训练模块的操作,直到分类结果收敛,并获得行人重识别结果。
本实施例的一种行人重识别系统,可执行本发明方法实施例一所提供的一种行人重识别方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
实施例三
一种计算机代码自动生成装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例一所述方法。
本实施例的一种计算机代码自动生成装置,可执行本发明方法实施例一所提供的一种行人重识别方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
实施例四
一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如实施例一所述方法。
本实施例的一种存储介质,可执行本发明方法实施例一所提供的一种行人重识别方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种行人重识别方法,其特征在于,包括以下步骤:
S1、将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;
S2、对特征空间进行降维处理后,获得特征空间的稀疏表示;
S3、采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;
S4、对聚类结果进行选择后,获得筛选后的分类结果;
S5、将分类结果输入预设的卷积神经网络进行训练优化;
S6、重复步骤S1至S5,直到分类结果收敛,并获得行人重识别结果。
2.根据权利要求1所述的一种行人重识别方法,其特征在于,所述预设的特征提取模型通过以下步骤获得:
采用预设带标记的数据集对卷积神经网络进行预训练,并在卷积神经网络收敛后获得特征提取模型。
3.根据权利要求1所述的一种行人重识别方法,其特征在于,所述步骤S2具体为:
对特征空间进行字典学习后,获取特征空间的稀疏表示,从而实现特征空间的降维。
4.根据权利要求1所述的一种行人重识别方法,其特征在于,所述步骤S3中预设的聚类公式为:
其中,φ(·;θ)为卷积神经网络模型,ck为同属于k类的特征空间的均值向量,y为标签向量,K为行人类别的标签。
5.根据权利要求1所述的一种行人重识别方法,其特征在于,所述步骤S4,具体为:
通过设定选择阈值后,采用预设的选择公式对聚类结果对进行选择,并获得筛选后的分类结果。
6.根据权利要求5所述的一种行人重识别方法,其特征在于,所述步骤S4中预设的选择公式为:
其中,v为全部图片样本是否被选择的指代向量,为对于每一个k。
7.根据权利要求1所述的一种行人重识别方法,其特征在于,所述步骤S5中训练优化采用的损失函数公式为:
其中,w为分类模型的参数,N为样本总量,为目标损失函数。
8.一种行人重识别系统,其特征在于,包括:
特征提取模块,用于将无标记的待检测数据集输入预设的特征提取模型,并提取待检测数据集的特征空间;
降维模块,用于对特征空间进行降维处理后,获得特征空间的稀疏表示;
聚类模块,用于采用预设的聚类公式对稀疏表示进行聚类处理后,获得带标记的聚类结果;
选择模块,用于对聚类结果进行选择后,获得筛选后的分类结果;
训练模块,用于将分类结果输入预设的卷积神经网络进行训练优化;
重复模块,用于重复特征提取模块到训练模块的操作,直到分类结果收敛,并获得行人重识别结果。
9.一种计算机代码自动生成装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211315.3A CN109902662B (zh) | 2019-03-20 | 2019-03-20 | 一种行人重识别方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211315.3A CN109902662B (zh) | 2019-03-20 | 2019-03-20 | 一种行人重识别方法、系统、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902662A true CN109902662A (zh) | 2019-06-18 |
CN109902662B CN109902662B (zh) | 2023-10-24 |
Family
ID=66952438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211315.3A Active CN109902662B (zh) | 2019-03-20 | 2019-03-20 | 一种行人重识别方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902662B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126470A (zh) * | 2019-12-18 | 2020-05-08 | 创新奇智(青岛)科技有限公司 | 基于深度度量学习的图片数据迭代聚类分析方法 |
CN111967429A (zh) * | 2020-08-28 | 2020-11-20 | 清华大学 | 一种基于主动学习的行人重识别模型训练方法及装置 |
CN112348003A (zh) * | 2021-01-11 | 2021-02-09 | 航天神舟智慧系统技术有限公司 | 基于深度卷积神经网络的飞机加油场景识别方法及系统 |
WO2021042556A1 (zh) * | 2019-09-03 | 2021-03-11 | 平安科技(深圳)有限公司 | 分类模型训练方法、装置、设备及计算机可读存储介质 |
CN112733695A (zh) * | 2021-01-04 | 2021-04-30 | 电子科技大学 | 一种行人重识别领域中的非监督关键帧挑选方法 |
CN113657267A (zh) * | 2021-08-17 | 2021-11-16 | 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模型、方法和装置 |
CN114360038A (zh) * | 2022-03-22 | 2022-04-15 | 杭州实在智能科技有限公司 | 基于深度学习的弱监督rpa元素识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107506703A (zh) * | 2017-08-09 | 2017-12-22 | 中国科学院大学 | 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 |
CN108288051A (zh) * | 2018-02-14 | 2018-07-17 | 北京市商汤科技开发有限公司 | 行人再识别模型训练方法及装置、电子设备和存储介质 |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN108446689A (zh) * | 2018-05-30 | 2018-08-24 | 南京开为网络科技有限公司 | 一种人脸识别方法 |
CN109299707A (zh) * | 2018-10-30 | 2019-02-01 | 天津师范大学 | 一种基于模糊深度聚类的无监督行人再识别方法 |
-
2019
- 2019-03-20 CN CN201910211315.3A patent/CN109902662B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107506703A (zh) * | 2017-08-09 | 2017-12-22 | 中国科学院大学 | 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 |
CN108288051A (zh) * | 2018-02-14 | 2018-07-17 | 北京市商汤科技开发有限公司 | 行人再识别模型训练方法及装置、电子设备和存储介质 |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN108446689A (zh) * | 2018-05-30 | 2018-08-24 | 南京开为网络科技有限公司 | 一种人脸识别方法 |
CN109299707A (zh) * | 2018-10-30 | 2019-02-01 | 天津师范大学 | 一种基于模糊深度聚类的无监督行人再识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021042556A1 (zh) * | 2019-09-03 | 2021-03-11 | 平安科技(深圳)有限公司 | 分类模型训练方法、装置、设备及计算机可读存储介质 |
CN111126470A (zh) * | 2019-12-18 | 2020-05-08 | 创新奇智(青岛)科技有限公司 | 基于深度度量学习的图片数据迭代聚类分析方法 |
CN111967429A (zh) * | 2020-08-28 | 2020-11-20 | 清华大学 | 一种基于主动学习的行人重识别模型训练方法及装置 |
CN111967429B (zh) * | 2020-08-28 | 2022-11-01 | 清华大学 | 一种基于主动学习的行人重识别模型训练方法及装置 |
CN112733695A (zh) * | 2021-01-04 | 2021-04-30 | 电子科技大学 | 一种行人重识别领域中的非监督关键帧挑选方法 |
CN112348003A (zh) * | 2021-01-11 | 2021-02-09 | 航天神舟智慧系统技术有限公司 | 基于深度卷积神经网络的飞机加油场景识别方法及系统 |
CN113657267A (zh) * | 2021-08-17 | 2021-11-16 | 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模型、方法和装置 |
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 |
CN114360038A (zh) * | 2022-03-22 | 2022-04-15 | 杭州实在智能科技有限公司 | 基于深度学习的弱监督rpa元素识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109902662B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902662A (zh) | 一种行人重识别方法、系统、装置和存储介质 | |
Huang et al. | Adversarially occluded samples for person re-identification | |
CN108537136B (zh) | 基于姿态归一化图像生成的行人重识别方法 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN106056628B (zh) | 基于深度卷积神经网络特征融合的目标跟踪方法及系统 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN109190446A (zh) | 基于三元组聚焦损失函数的行人再识别方法 | |
CN105718889B (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN105184260B (zh) | 一种图像特征提取方法及行人检测方法及装置 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN108509833B (zh) | 一种基于结构化分析字典的人脸识别方法、装置及设备 | |
CN109447123B (zh) | 一种基于标签一致性约束与拉伸正则化字典学习的行人再识别方法 | |
CN112150493A (zh) | 一种基于语义指导的自然场景下屏幕区域检测方法 | |
CN112488229B (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN110458235B (zh) | 一种视频中运动姿势相似度比对方法 | |
CN109740679A (zh) | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | |
CN109886153A (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
CN108960270A (zh) | 一种基于流形迁移学习的数据标定方法及系统 | |
CN111353447A (zh) | 一种基于图卷积网络的人体骨架行为识别方法 | |
CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN113361346B (zh) | 一种替换调节参数的尺度参数自适应的人脸识别方法 | |
CN110689066B (zh) | 一种人脸识别数据均衡与增强相结合的训练方法 | |
Pei et al. | Convolutional neural networks for class attendance | |
CN112446305A (zh) | 一种基于分类权重等距分布损失模型的行人重识别方法 | |
Han et al. | Video action recognition based on deeper convolution networks with pair-wise frame motion concatenation |
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 |