CN110008828A - 基于差异正则化的成对约束成分分析度量优化方法 - Google Patents
基于差异正则化的成对约束成分分析度量优化方法 Download PDFInfo
- Publication number
- CN110008828A CN110008828A CN201910129342.6A CN201910129342A CN110008828A CN 110008828 A CN110008828 A CN 110008828A CN 201910129342 A CN201910129342 A CN 201910129342A CN 110008828 A CN110008828 A CN 110008828A
- Authority
- CN
- China
- Prior art keywords
- sample
- constraint
- pairs
- training
- method based
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于差异正则化的成对约束成分分析度量优化方法,包括:步骤S1:用摄像头采集多张行人图片形成训练样本集,提取每张样本图片中行人目标的颜色特征,形成一个d维的特征向量xi,最终构成一个包含N个d维特征向量的训练集,其中,N为样本图片的数目;步骤S2:对训练集中的特征向量进行降维处理;步骤S3:计算降维后的样本之间的欧氏距离,并基于各训练样本与测试样本之间的欧氏距离,将训练样本分为正样本和负样本;步骤S4:通过对目标优化函数增加差异正则化项,并基于约束条件创建优化问题;步骤S5:使用梯度下降法求解优化问题。与现有技术相比,本发明具有避免过拟合现象的发生,提高度量学习算法的泛化能力等优点。
Description
技术领域
本发明涉及智能信息处理技术领域,尤其是涉及一种基于差异正则化的成对约束成分分析度量优化方法。
背景技术
近年来,视频监控系统大量普及。视频监控系统的建设与应用,在打击犯罪、维护稳定实践中正发挥着越来越重要的作用,视频侦察已成为公安机关侦查破案的新手段。在视频侦察应用中,针对特定嫌疑目标的检索是重要需求。在海量的视频数据面前,完全依靠人工的方法来完成上述工作不仅需要消耗大量的人力资源,还不能保证结果的准确性和实时性。操作者的匹配结果受个体经验的影响,而不同操作者的经验差异很大,有些操作者不能有效的利用多种信息,依靠传统的人工的方法很难得到好的识别效果。随着摄像机网络的日益增大,依靠人工的方法进行再识别也变得越来越不现实。因此,迫切的需要一种技术来减轻有限的人力资源的负担、增强识别的能力。
行人目标再识别研究的根本目的在于如何有效地利用行人的外观信息对指定目标进行跨摄像机搜索匹配。在计算机视觉和模式识别等领域,通常使用特征向量来表征样本。在众多衡量特征向量相似性的方法中,距离度量是最基本的方法。距离度量学习算法在机器学习、模式识别和计算机视觉等领域有着广泛的应用。因此,研究距离度量学习算法具有非常重要的理论意义和应用价值。
虽然现有的度量学习方法已经在许多实验中显示出不错的效果,但是加强对度量学习的理论解释仍然是一项非常重要的任务。其中一个主要的问题就是度量学习的泛化性能,评估所学度量的泛化性能目前仍然是一个具有挑战性的问题。由于目前大多的度量学习方法都是一种两步式的学习,度量学习的泛化性能分析主要包含两个方面:第一是关于所学度量自身的一致性,也就是通过在训练数据上的学习,分析所得度量函数针对特定的损失函数能否在新数据上获得好的期望误差;第二是考虑所学度量在后续的结果学习器上的性能,从理论上分析两者之间的联系,理解这一联系将更有助于提升结果学习器的泛化性能。
综上所述,距离度量方法是行人再识别领域的研究重点,尽管目前国内外的研究已经取得了很多优秀的研究成果,但是随着大规模摄像头网络发展,拍摄条件的恶化,以及安防要求的提高,目前已有距离度量算法在行人再识别匹配正确率方面的表现并不能满足实际应用的需求,因此,本项目对距离度量学习算法的研究将具有非常重要的理论意义和应用价值。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于差异正则化的成对约束成分分析度量优化方法。
本发明的目的可以通过以下技术方案来实现:
一种基于差异正则化的成对约束成分分析度量优化方法,包括:
步骤S1:用摄像头采集多张行人图片形成训练样本集,提取每张样本图片中行人目标的颜色特征,形成一个d维的特征向量xi,最终构成一个包含N个d维特征向量的训练集,其中,N为样本图片的数目;
步骤S2:对训练集中的特征向量进行降维处理;
步骤S3:计算降维后的样本之间的欧氏距离,并基于各训练样本与测试样本之间的欧氏距离,将训练样本分为正样本和负样本;
步骤S4:通过对目标优化函数增加差异正则化项,并基于约束条件创建优化问题;
步骤S5:使用梯度下降法求解优化问题。
所述步骤S2具体为:使用线性变换矩阵L将训练集中的样本向量映射到一个低维空间。
所述步骤S3中,将训练样本分为正样本和负样本的过程具体为:使用一个阈值t对样本之间的距离进行约束,若训练样本与测试样本属于同一行人目标,即训练样本为正样本,则两样本之间的阈值小于t,反之,若训练样本与测试样本不属于同一行人目标,即训练样本为负样本,则两样本之间的阈值大于t。
所述步骤S4中差异正则化项的数学表达式为:
Ω(L)=Ψ(L)-Π(L)
其中:Ω(L)为差异正则化项,Ψ(L)为所有角对的均值,Π(L)为所有角对的方差,L为线性变换矩阵。
所述角对的数学表达式为:
其中:ai,aj为线性变换矩阵中第i行和j行向量元素,θ(ai,aj)为ai,aj对应的角对。
所述步骤S4中,当输入的样本向量在低维空间中不是线性可分离时,通过使用核方法,将样本向量在核空间进行投影,得到一个新的矩阵来表示样本向量,将低维空间中的线性不可分问题转化为在高维空间中线性问题。
所述目标优化函数具体为:
其中:为目标优化函数,lβ为广义损失函数,yn表示样本对(xin,xjn)是否属于同一目标,若样本对属于同一目标,则yn=1,若样本对不属于同一目标,则yn=-1,DL为为样本对在投影空间内的欧式距离的平方 为目标样本,为候选匹配样本,λ为正则参数,n为样本之间约束c的索引。
所述广义损失函数的具体为:
其中:β为锐度参数。
与现有技术相比,本发明具有以下有益效果:本发明行人目标再识别度量学习方法,使用高维特征作为输入,在特征降维的同时利用稀疏的成对约束使同类样本在低维空间中具有相近的特征距离;针对由于正负样本数量不对称而产生的过拟合现象,采用对目标优化函数增加差异正则化项的方法,增强算法的识别率。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于差异正则化的成对约束成分分析度量优化方法,包括对数据集中样本进行降维处理、对目标优化函数增加差异正则化项增强泛化特性,使用核技术提高分类。
如图1所示,包括:
步骤S1:用摄像头采集多张行人图片形成训练样本集,提取每张样本图片中行人目标的颜色特征,形成一个d维的特征向量xi,最终构成一个包含N个d维特征向量的训练集,其中,N为样本图片的数目;
采集特征向量建立训练数据集具体为:对数据库中的所有训练样本提取特征,建立集合X={x1,x2......xn}∈Rd×N,表示训练集中N个样本点的特征向量集合,其中每个样本点的维度均为d,对X中样本点添加约束C={(ik,jk,yk)|k=1,...c},ik,jk∈{1...N}2为两样本点在约束k下的索引,yk∈{-1,1}表示两样本但是否属于同一类别,若两样本为同一类别则yk=1,反之yk=-1;
步骤S2:对训练集中的特征向量进行降维处理,具体为:使用线性变换矩阵L将训练集中的样本向量映射到一个低维空间。
即:使用线性变换L将训练集中的样本映射到一个维数d’远远小于d的低维空间,线性变换为x'=Lx,使用欧式距离公式计算降维后的样本对之间的距离其中xi是训练集中目标i的特征向量。
步骤S3:计算降维后的样本之间的欧氏距离,并基于各训练样本与测试样本之间的欧氏距离,将训练样本分为正样本和负样本,其中,将训练样本分为正样本和负样本的过程具体为:使用一个阈值t对样本之间的距离进行约束,若训练样本与测试样本属于同一行人目标,即训练样本为正样本,则两样本之间的阈值小于t,反之,若训练样本与测试样本不属于同一行人目标,即训练样本为负样本,则两样本之间的阈值大于t。
步骤S4:通过对目标优化函数增加差异正则化项,从而提升算法由于正负样本不对称带来的泛化能力差的问题,并基于约束条件创建优化问题,其中,差异正则化项Ω(L)越大表示潜在因子更加多样化,所计算两向量元素相互正交时达到全局最大,其数学表达式为:
Ω(L)=Ψ(L)-Π(L)
其中:Ω(L)为差异正则化项,Ψ(L)为所有角对的均值,Π(L)为所有角对的方差,L为线性变换矩阵。
角对的数学表达式为:
其中:ai,aj为线性变换矩阵中第i行和j行向量元素,θ(ai,aj)为ai,aj对应的角对。
目标优化函数具体为:
其中:为目标优化函数,lβ为广义损失函数,yn表示样本对是否属于同一目标,若样本对属于同一目标,则yn=1,若样本对不属于同一目标,则yn=-1,DL为样本对在投影空间内的欧式距离的平方 为目标样本,为候选匹配样本,λ为正则参数,n为样本之间约束c的索引。
广义损失函数的具体为:
其中:β为锐度参数。
使用核技巧提高算法的分类性能,即使用L在核空间的投影进行学习,即L=AXT,这等价于将L的每行看作为矩阵X元素的线性组合,所以样本之间的距离公式更新为:定义K=XTX核矩阵,所以投影到核空间的样本对之间的距离公式为:其中ki为和矩阵K的第i列;
此外,约束条件可以有:
C={(ik,jk,yk)|k=1,...c}对X中样本点添加约束,其中ik,jk∈{1...N}2为两样本点在约束k下的索引。
步骤S5:使用梯度下降法求解优化问题。
通过上述方法得到的行人目标再识别度量学习算法,该方法不仅考虑了训练数据中正负样本分布不平衡的问题,对训练样本赋予不同的权重,通过对样本进行不同的处理;利用样本提供的更多区分性的信息,从而可以对样本对进行有效的区分,以加强度量模型的判别性。通过上述方法得到的行人目标再识别度量学习算法可以有效的提高无重叠视域的行人目标再识别的效率和准确率,具体可应用在:
(1)应用于大型公共场所视频监控:可以根据本行人目标再识别度量学习算法有效的对监控网络中的行人目标身份关联性判别,对监控中的行人进行行为分析、目标跟踪等;
(2)应用于刑侦工作:可以利用本算法代替人力对目标嫌疑人进行寻找识别、定位,减少破案时间,增强破案效率;
(3)应用于目标检索:可以根据本行人目标再识别算法对海量视频中的指定目标进行检索。
Claims (8)
1.一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,包括:
步骤S1:用摄像头采集多张行人图片形成训练样本集,提取每张样本图片中行人目标的颜色特征,形成一个d维的特征向量xi,最终构成一个包含N个d维特征向量的训练集,其中,N为样本图片的数目;
步骤S2:对训练集中的特征向量进行降维处理;
步骤S3:计算降维后的样本之间的欧氏距离,并基于各训练样本与测试样本之间的欧氏距离,将训练样本分为正样本和负样本;
步骤S4:通过对目标优化函数增加差异正则化项,并基于约束条件创建优化问题;
步骤S5:使用梯度下降法求解优化问题。
2.根据权利要求1所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述步骤S2具体为:使用线性变换矩阵L将训练集中的样本向量映射到一个低维空间。
3.根据权利要求1所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述步骤S3中,将训练样本分为正样本和负样本的过程具体为:使用一个阈值t对样本之间的距离进行约束,若训练样本与测试样本属于同一行人目标,即训练样本为正样本,则两样本之间的阈值小于t,反之,若训练样本与测试样本不属于同一行人目标,即训练样本为负样本,则两样本之间的阈值大于t。
4.根据权利要求2所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述步骤S4中差异正则化项的数学表达式为:
Ω(L)=Ψ(L)-Π(L)
其中:Ω(L)为差异正则化项,Ψ(L)为所有角对的均值,Π(L)为所有角对的方差,L为线性变换矩阵。
5.根据权利要求4所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述角对的数学表达式为:
其中:ai,aj为线性变换矩阵中第i行和j行向量元素,θ(ai,aj)为ai,aj对应的角对。
6.根据权利要求1所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述步骤S4中,当输入的样本向量在低维空间中不是线性可分离时,通过使用核方法,将样本向量在核空间进行投影,得到一个新的矩阵来表示样本向量,将低维空间中的线性不可分问题转化为在高维空间中线性问题。
7.根据权利要求4所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述目标优化函数具体为:
其中:为目标优化函数,lβ为广义损失函数,yn表示样本对是否属于同一目标,若样本对属于同一目标,则yn=1,若样本对不属于同一目标,则yn=-1,DL为样本对在投影空间内的欧式距离的平方,为目标样本,为候选匹配样本,λ为正则参数,n为样本之间约束c的索引。
8.根据权利要求7所述的一种基于差异正则化的成对约束成分分析度量优化方法,其特征在于,所述广义损失函数的具体为:
其中:β为锐度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129342.6A CN110008828B (zh) | 2019-02-21 | 2019-02-21 | 基于差异正则化的成对约束成分分析度量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129342.6A CN110008828B (zh) | 2019-02-21 | 2019-02-21 | 基于差异正则化的成对约束成分分析度量优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008828A true CN110008828A (zh) | 2019-07-12 |
CN110008828B CN110008828B (zh) | 2021-12-07 |
Family
ID=67165814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129342.6A Active CN110008828B (zh) | 2019-02-21 | 2019-02-21 | 基于差异正则化的成对约束成分分析度量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008828B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472743A (zh) * | 2019-07-31 | 2019-11-19 | 北京百度网讯科技有限公司 | 样本集中特征穿越的处理方法及装置、设备与可读介质 |
CN111914730A (zh) * | 2020-07-28 | 2020-11-10 | 上海工程技术大学 | 一种基于联合时空采样的无监督视频序列行人再识别方法 |
CN112101217A (zh) * | 2020-09-15 | 2020-12-18 | 镇江启迪数字天下科技有限公司 | 基于半监督学习的行人再识别方法 |
CN112884040A (zh) * | 2021-02-19 | 2021-06-01 | 北京小米松果电子有限公司 | 训练样本数据的优化方法、系统、存储介质及电子设备 |
CN113807468A (zh) * | 2021-10-15 | 2021-12-17 | 南京澄实生物科技有限公司 | 基于多模态深度编码的hla抗原呈递预测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373802A (zh) * | 2015-03-26 | 2016-03-02 | 东莞职业技术学院 | 基于区间Type-2模糊支持向量机的场景图像分类方法 |
US20160307098A1 (en) * | 2015-04-19 | 2016-10-20 | International Business Machines Corporation | Annealed dropout training of neural networks |
CN107392082A (zh) * | 2017-04-06 | 2017-11-24 | 杭州景联文科技有限公司 | 一种基于深度学习的小面积指纹比对方法 |
CN108229521A (zh) * | 2017-02-23 | 2018-06-29 | 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 |
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN109214430A (zh) * | 2018-08-15 | 2019-01-15 | 天津大学 | 一种基于特征空间拓扑分布的行人重识别方法 |
-
2019
- 2019-02-21 CN CN201910129342.6A patent/CN110008828B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373802A (zh) * | 2015-03-26 | 2016-03-02 | 东莞职业技术学院 | 基于区间Type-2模糊支持向量机的场景图像分类方法 |
US20160307098A1 (en) * | 2015-04-19 | 2016-10-20 | International Business Machines Corporation | Annealed dropout training of neural networks |
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN108229521A (zh) * | 2017-02-23 | 2018-06-29 | 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 |
CN107392082A (zh) * | 2017-04-06 | 2017-11-24 | 杭州景联文科技有限公司 | 一种基于深度学习的小面积指纹比对方法 |
CN109214430A (zh) * | 2018-08-15 | 2019-01-15 | 天津大学 | 一种基于特征空间拓扑分布的行人重识别方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG T,OLES F J: "Text Categorization Based on Regularized Linear Classification Methods", 《INFORMATION RETRIEVAL》 * |
孙平安,王备战: "机器学习中的PCA降维方法研究及其应用", 《湖南工业大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472743A (zh) * | 2019-07-31 | 2019-11-19 | 北京百度网讯科技有限公司 | 样本集中特征穿越的处理方法及装置、设备与可读介质 |
CN111914730A (zh) * | 2020-07-28 | 2020-11-10 | 上海工程技术大学 | 一种基于联合时空采样的无监督视频序列行人再识别方法 |
CN111914730B (zh) * | 2020-07-28 | 2023-11-24 | 上海工程技术大学 | 一种基于联合时空采样的无监督视频序列行人再识别方法 |
CN112101217A (zh) * | 2020-09-15 | 2020-12-18 | 镇江启迪数字天下科技有限公司 | 基于半监督学习的行人再识别方法 |
CN112101217B (zh) * | 2020-09-15 | 2024-04-26 | 镇江启迪数字天下科技有限公司 | 基于半监督学习的行人再识别方法 |
CN112884040A (zh) * | 2021-02-19 | 2021-06-01 | 北京小米松果电子有限公司 | 训练样本数据的优化方法、系统、存储介质及电子设备 |
CN112884040B (zh) * | 2021-02-19 | 2024-04-30 | 北京小米松果电子有限公司 | 训练样本数据的优化方法、系统、存储介质及电子设备 |
CN113807468A (zh) * | 2021-10-15 | 2021-12-17 | 南京澄实生物科技有限公司 | 基于多模态深度编码的hla抗原呈递预测方法和系统 |
CN113807468B (zh) * | 2021-10-15 | 2022-05-27 | 南京澄实生物科技有限公司 | 基于多模态深度编码的hla抗原呈递预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110008828B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008828A (zh) | 基于差异正则化的成对约束成分分析度量优化方法 | |
CN105022835B (zh) | 一种群智感知大数据公共安全识别方法及系统 | |
US11263435B2 (en) | Method for recognizing face from monitoring video data | |
CN102682309B (zh) | 一种基于模板学习的人脸注册方法及装置 | |
CN110414462A (zh) | 一种无监督的跨域行人重识别方法及系统 | |
CN105005772B (zh) | 一种视频场景检测方法 | |
CN108171184A (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN109299707A (zh) | 一种基于模糊深度聚类的无监督行人再识别方法 | |
CN105701467A (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
CN109086672A (zh) | 一种基于强化学习自适应分块的行人再识别方法 | |
Xing et al. | Towards multi-view and partially-occluded face alignment | |
CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
CN110598543A (zh) | 基于属性挖掘和推理的模型训练方法及行人再识别方法 | |
CN114998934B (zh) | 基于多模态智能感知和融合的换衣行人重识别和检索方法 | |
Lin et al. | Live Face Verification with Multiple Instantialized Local Homographic Parameterization. | |
Wang et al. | S 3 D: Scalable pedestrian detection via score scale surface discrimination | |
CN104820711A (zh) | 复杂场景下对人形目标的视频检索方法 | |
Pondenkandath et al. | Identifying cross-depicted historical motifs | |
CN108960013B (zh) | 一种行人再识别方法及装置 | |
Guo et al. | Deep network with spatial and channel attention for person re-identification | |
CN109255318A (zh) | 基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
Ji et al. | Influence of embedded microprocessor wireless communication and computer vision in Wushu competition referees’ decision support | |
CN104504409B (zh) | 一种基于全局字典特征的古代壁画病害标识方法 | |
Chen et al. | Gaussian Convolution Angles: Invariant Vein and Texture Descriptors for Butterfly Species Identification | |
CN113705348A (zh) | 一种融合多注意力机制的行人重识别方法 |
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 |