CN110046553A - 一种融合属性特征的行人重识别模型、方法及系统 - Google Patents
一种融合属性特征的行人重识别模型、方法及系统 Download PDFInfo
- Publication number
- CN110046553A CN110046553A CN201910217634.5A CN201910217634A CN110046553A CN 110046553 A CN110046553 A CN 110046553A CN 201910217634 A CN201910217634 A CN 201910217634A CN 110046553 A CN110046553 A CN 110046553A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- training
- network
- attributive character
- attribute recognition
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Abstract
本发明公开了一种融合属性特征的行人重识别模型、方法及系统,包括对监控视频进行预处理得到样本图片,随机分成每次迭代使用的训练集合;构建行人重识别骨干网络,同时构建属性识别分支;将第一次迭代的训练集合输入,行人重识别骨干网络和属性识别分支分别得到各自的损失;将第n次迭代的训练集合输入,直到训练完成,得到行人重识别模型。利用本发明的训练方法训练得到的行人重识别模型对待识别图片集中的行人图片进行分类,其中同一个行人身份归为一类,预测行人图片所属类别即为预测行人的身份。本发明通过构建属性识别分支区分属性特征空间和身份信息特征空间,在属性识别的准确率得到提高的同时,行人重识别结果能有大幅度提高。
Description
技术领域
本发明属于模式识别技术领域,更具体地,涉及一种融合属性特征的行人重识别模型、方法及系统。
背景技术
行人重识别技术旨在识别不同视角下的不同监控摄像机拍摄的特定行人。给定由某一个监控摄像机捕获的特定人的图像,行人重识别方法将在其他监控摄像机中重新识别该行人。现今,随着卷积神经网络的发展,许多方法都取得了不错的结果,包括基于图像分块的方法、基于行人特征点的方法和基于姿态对齐的方法。但是利用神经网络的现有技术仍然存在一些问题,从网络中得到的最终特征缺乏行人的语义信息,使得看似相似但身份完全不同的两个行人无法正确区分,并且神经网络中某些神经元可能会过于关注背景信息,特征图中响应大的值没有集中在行人上,使得行人特征丢失空间信息。
属性信息的引入可以有效解决上述问题,但是现有的加入属性信息的方法忽略了属性特征空间和身份信息特征空间的差异,使得两个任务不能很好的相互促进,同时还会忽略属性识别的准确率,使得属性识别识别率没有明显的增长。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种融合属性特征的行人重识别方法,旨在解决现有技术行人属性识别准确率不高的问题。
为实现上述目的,按照本发明的一个方面,提供了一种融合属性特征的行人重识别模型的训练方法,具体包括以下步骤:
对监控视频进行预处理得到样本图片,将样本图片随机分成每次迭代使用的训练集合;
构建行人重识别骨干网络,同时构建属性识别分支得到融合属性特征的行人重识别网络;
将第一次迭代的训练集合输入行人识别网络,行人重识别骨干网络和属性识别分支分别得到各自的损失;
将第n次迭代的训练集合输入所述行人识别网络,n≥2,重复上述步骤,若当前迭代次数达到迭代次数上限,网络训练完成,得到行人重识别模型。
进一步地,对监控视频进行预处理包括行人检测,并将待重识别的行人图像归一化得到大小统一的图片。
进一步地,属性识别分支的输入为所述行人重识别骨干网络不同阶段的特征输出。
进一步地,行人身份损失函数为:
其中N为训练集合的大小,gi表示第i张图像的真实标签,pi表示网络预测的第i张图像属于gi类的概率,S指标签的数量,∈是噪声概率;
属性识别损失函数为:
其中M为属性的种类数,每一个种类都由4个值表示,xi为每个值为1的概率;
总的损失函数为:
L=Lsof-LS+λattLatt
其中λatt用以平衡行人身份损失和属性识别损失。
按照本发明的另一方面,提供了一种融合属性特征的行人重识别模型,所述模型由本发明的训练方法训练得到。
按照本发明的另一方面,提供了一种融合属性特征的行人重识别方法,包括:
利用本发明的训练方法训练得到的行人重识别模型对待识别图片集中的行人图片进行分类,其中同一个行人身份归为一类,预测行人图片所属类别即为预测行人的身份。
按照本发明的另一方面,提供了一种融合属性特征的行人重识别系统,包括:
采集模块,用于采集经过预处理后的样本图片,将样本图片分成每次迭代使用的训练集合;
特征注意模块,用于联合空间注意和通道注意,增强特征图像中的行人显著性;
骨干网络模块,用于提取图片中的基本特征;
属性识别分支模块,用于提取含有属性信息的特征;
计算损失模块,用于计算网络结果与真实标签的差距从而更新整个网络的参数;
识别模块,用于获得训练好的网络对输入图片的识别结果。
总体而言,通过本发明所构思的以上技术方案,与现有技术相比,能够取得以下有益效果:
(1)本发明通过合理地引入属性信息增加了深度网络获得高层语义信息和空间信息的能力,使得得到的行人特征更加显著,从而相比其他方法性能得到了提高;
(2)本发明通过构建属性识别分支区分属性特征空间和身份信息特征空间,使得属性识别任务和行人重识别任务可以很好地相互促进,在属性识别的准确率得到提高的同时,行人重识别结果也能有大幅度提高;
(3)本发明设计的特征注意模块相比其他采用注意机制的方法,采用双线性插值代替卷积操作进行特征降维,减少了运算量,同时使用类似残差结构的方法保护了有效特征。
附图说明
图1是本发明实施例提供的融合属性特征的行人重识别模型的训练方法的流程图;
图2是本发明实施例提供的融合属性特征的行人重识别系统的结构示意图;
图3是本发明实施例提供的特征注意模块的结构示意图;
图4是本发明实施例提供的行人重识别效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种融合属性特征的行人重识别模型的训练方法,包括:
对监控视频进行预处理得到大小为256×128的样本图片,将样本图片随机分成每次迭代使用的训练集合,每个训练集合的大小为32;
构建行人重识别骨干网络,同时构建属性识别分支得到融合属性特征的行人识别网络;
将第一次迭代的训练集合输入行人识别网络,首先进行一层卷积层使得输入尺寸减少到128×64,然后经过阶段1、阶段2、阶段3和阶段4,得到的特征图大小分别为64×32、32×16、16×8和16×8。属性识别分支的2048维的属性特征和骨架网络的特征构成4096维的最终行人特征向量,这4096维特征向量接分类器预测每个行人身份的概率。利用正向传播算法和后向传播算法训练网络参数,其中行人身份损失函数为:
其中N值为batch的大小,gi表示第i张图像的真实标签,pi表示网络预测的第i张图像属于gi类的概率,S指标签的数量,∈是噪声概率;
属性识别损失函数为:
其中M代表了属性的种类数,每一个种类都由4个值表示,xi为每个值为1的概率。网络使用的总的损失函数为:
L=Lsof-LS+λattLatt
其中λatt用以平衡行人重识别损失和属性识别损失,本实施例中λatt的值为2。
利用适应性矩估计算法(Adam算法)更新网络参数。从损失函数中得到损失后,计算梯度并利用下面公式更新网络中的每一个参数:
其中θt代表本轮更新后的参数,θt-1为上一轮更新后的参数,mt为梯度的一阶矩估计,nt为梯度的二阶矩估计,C为一个较小的值避免分母为0,lr为网络学习率。
将第n次迭代的训练集合输入所述行人识别网络,n≥2,重复上述步骤,若当前迭代次数达到迭代次数上限,网络训练完成,得到行人重识别模型。
具体地,行人重识别骨干网络为深度残差网络,如图2所示,包含4个阶段,每个阶段分别包含3、4、23和3个残差计算单元。前三个阶段的输出长宽都为输入的1/2,而第四个阶段输出输入长宽保持一样。每个阶段的输出特征维度为256、512、1024和2048。
属性识别分支的输入为行人重识别骨干网络中每个阶段的输出。前三个阶段的输出经过特征注意模块和全局最大值池化后和第四阶段的输出特征进行融合,得到3840维特征向量。然后利用全连接层将特征维度降为1024维。这1024维特征一方面接分类器预测每个属性的概率,另一个方面和第四阶段的1024维特征融合成2048维的属性特征和骨架网络的特征构成最终行人特征向量。
图3是本发明实施例提供的特征注意模块的结构示意图,特征注意模块中的通道注意包含全局均值池化和Sigmoid激活函数,得到一个维度为通道数的向量ωi;空间注意包含像素平均计算层、下采样层和上采样层,得到一个维度为1,长宽和输入相同的特征图M。然后该模块将特征图升维到通道数后,利用下面的公式得到特征注意模块的输出Yi:
Yi=(1+ωi*M)*Xi
其中Xi为特征注意模块的第i个通道的输入。
一种融合属性特征的行人重识别方法,包括:
利用本发明的训练方法训练得到的行人重识别模型对待识别图片集中的行人图片进行分类,其中同一个行人身份归为一类,预测行人图片所属类别即为预测行人的身份。如图4,分别为有无属性信息对识别结果的影响和有无属性信息对网络产生的特征的影响。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种融合属性特征的行人重识别模型的训练方法,其特征在于,包括以下步骤:
对监控视频进行预处理得到样本图片,将所述样本图片随机分成每次迭代使用的训练集合;
构建行人重识别骨干网络,同时构建属性识别分支得到融合属性特征的行人识别网络;
将第一次迭代的训练集合输入所述行人识别网络,行人重识别骨干网络和属性识别分支分别得到各自的损失;
将第n次迭代的训练集合输入所述行人识别网络,n≥2,重复上述步骤,若当前迭代次数达到迭代次数上限,网络训练完成,得到行人重识别模型。
2.如权利要求1所述的训练方法,其特征在于,所述预处理包括行人检测,并将待重识别的行人图像归一化得到大小统一的图片。
3.如权利要求1所述的训练方法,其特征在于,所述属性识别分支的输入为所述行人重识别骨干网络不同阶段的特征输出。
4.如权利要求1所述的训练方法,其特征在于,所述损失包括:
行人身份损失函数:
其中N为训练集合的大小,gi表示第i张图像的真实标签,pi表示网络预测的第i张图像属于gi类的概率,S指标签的数量,∈是噪声概率;
属性识别损失函数:
其中M为属性的种类数,每一个种类都由4个值表示,xi为每个值为1的概率;
总的损失函数:
L=Lsof-LS+λattLatt
其中λatt用以平衡行人身份损失和属性识别损失。
5.一种融合属性特征的行人重识别模型,其特征在于,所述行人重识别模型由权利要求1至4任一所述的训练方法训练得到。
6.一种融合属性特征的行人重识别方法,其特征在于,包括:
利用权利要求1至4任一所述的训练方法训练得到的行人重识别模型对待识别图片集中的行人图片进行分类,其中同一个行人身份归为一类,预测行人图片所属类别即为预测行人的身份。
7.一种融合属性特征的行人重识别系统,其特征在于,包括:
采集模块,用于采集经过预处理后的样本图片,将样本图片分成每次迭代使用的训练集合;
特征注意模块,用于联合空间注意和通道注意,增强特征图像中的行人显著性;
骨干网络模块,用于提取图片中的基本特征;
属性识别分支模块,用于提取含有属性信息的特征;
计算损失模块,用于计算网络结果与真实标签的差距从而更新整个网络的参数;
识别模块,用于获得训练好的网络对输入图片的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217634.5A CN110046553A (zh) | 2019-03-21 | 2019-03-21 | 一种融合属性特征的行人重识别模型、方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217634.5A CN110046553A (zh) | 2019-03-21 | 2019-03-21 | 一种融合属性特征的行人重识别模型、方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046553A true CN110046553A (zh) | 2019-07-23 |
Family
ID=67274908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910217634.5A Pending CN110046553A (zh) | 2019-03-21 | 2019-03-21 | 一种融合属性特征的行人重识别模型、方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046553A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378301A (zh) * | 2019-07-24 | 2019-10-25 | 北京中星微电子有限公司 | 行人重识别方法及系统 |
CN110516569A (zh) * | 2019-08-15 | 2019-11-29 | 华侨大学 | 一种基于身份和非身份属性交互学习的行人属性识别方法 |
CN110705474A (zh) * | 2019-09-30 | 2020-01-17 | 清华大学 | 一种行人属性识别方法和装置 |
CN110717544A (zh) * | 2019-10-14 | 2020-01-21 | 中山大学 | 一种垂直鱼眼镜头下行人属性分析方法及系统 |
CN110765880A (zh) * | 2019-09-24 | 2020-02-07 | 中国矿业大学 | 一种轻量级视频行人重识别方法 |
CN110796079A (zh) * | 2019-10-29 | 2020-02-14 | 深圳龙岗智能视听研究院 | 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统 |
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 |
CN111177447A (zh) * | 2019-12-26 | 2020-05-19 | 南京大学 | 一种基于深度网络模型的行人图像识别方法 |
CN111178251A (zh) * | 2019-12-27 | 2020-05-19 | 汇纳科技股份有限公司 | 一种行人属性识别方法及系统、存储介质及终端 |
CN111191526A (zh) * | 2019-12-16 | 2020-05-22 | 汇纳科技股份有限公司 | 行人属性识别网络训练方法、系统、介质及终端 |
CN111259786A (zh) * | 2020-01-14 | 2020-06-09 | 浙江大学 | 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 |
CN111339849A (zh) * | 2020-02-14 | 2020-06-26 | 北京工业大学 | 一种融合行人属性的行人重识别的方法 |
CN111553213A (zh) * | 2020-04-17 | 2020-08-18 | 大连理工大学 | 移动边缘云中实时分布式的身份感知行人属性识别方法 |
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 |
CN111652035A (zh) * | 2020-03-30 | 2020-09-11 | 武汉大学 | 一种基于ST-SSCA-Net的行人重识别方法及系统 |
CN111881762A (zh) * | 2020-06-30 | 2020-11-03 | 深圳力维智联技术有限公司 | 一种联合训练行人属性识别和行人身份识别的方法 |
CN112084998A (zh) * | 2020-09-22 | 2020-12-15 | 杭州云栖智慧视通科技有限公司 | 一种基于属性信息辅助的行人再识别方法 |
CN113343909A (zh) * | 2021-06-29 | 2021-09-03 | 南京星云数字技术有限公司 | 多任务分类网络的训练方法、行人重识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776873A (zh) * | 2016-11-29 | 2017-05-31 | 珠海市魅族科技有限公司 | 一种推荐结果生成方法以及装置 |
CN106803063A (zh) * | 2016-12-21 | 2017-06-06 | 华中科技大学 | 一种行人重识别的度量学习方法 |
CN107301380A (zh) * | 2017-06-01 | 2017-10-27 | 华南理工大学 | 一种用于视频监控场景中行人重识别的方法 |
CN107330396A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于多属性和多策略融合学习的行人再识别方法 |
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 |
CN108140143A (zh) * | 2015-11-06 | 2018-06-08 | 谷歌有限责任公司 | 正则化机器学习模型 |
CN108334849A (zh) * | 2018-01-31 | 2018-07-27 | 中山大学 | 一种基于黎曼流形的行人重识别方法 |
CN109344700A (zh) * | 2018-08-22 | 2019-02-15 | 浙江工商大学 | 一种基于深度神经网络的行人姿态属性识别方法 |
-
2019
- 2019-03-21 CN CN201910217634.5A patent/CN110046553A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108140143A (zh) * | 2015-11-06 | 2018-06-08 | 谷歌有限责任公司 | 正则化机器学习模型 |
CN106776873A (zh) * | 2016-11-29 | 2017-05-31 | 珠海市魅族科技有限公司 | 一种推荐结果生成方法以及装置 |
CN106803063A (zh) * | 2016-12-21 | 2017-06-06 | 华中科技大学 | 一种行人重识别的度量学习方法 |
CN107301380A (zh) * | 2017-06-01 | 2017-10-27 | 华南理工大学 | 一种用于视频监控场景中行人重识别的方法 |
CN107330396A (zh) * | 2017-06-28 | 2017-11-07 | 华中科技大学 | 一种基于多属性和多策略融合学习的行人再识别方法 |
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 |
CN108334849A (zh) * | 2018-01-31 | 2018-07-27 | 中山大学 | 一种基于黎曼流形的行人重识别方法 |
CN109344700A (zh) * | 2018-08-22 | 2019-02-15 | 浙江工商大学 | 一种基于深度神经网络的行人姿态属性识别方法 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378301B (zh) * | 2019-07-24 | 2024-01-19 | 北京中星微电子有限公司 | 行人重识别方法及系统 |
CN110378301A (zh) * | 2019-07-24 | 2019-10-25 | 北京中星微电子有限公司 | 行人重识别方法及系统 |
CN110516569A (zh) * | 2019-08-15 | 2019-11-29 | 华侨大学 | 一种基于身份和非身份属性交互学习的行人属性识别方法 |
CN110765880A (zh) * | 2019-09-24 | 2020-02-07 | 中国矿业大学 | 一种轻量级视频行人重识别方法 |
CN110765880B (zh) * | 2019-09-24 | 2023-04-18 | 中国矿业大学 | 一种轻量级视频行人重识别方法 |
CN110705474A (zh) * | 2019-09-30 | 2020-01-17 | 清华大学 | 一种行人属性识别方法和装置 |
CN110705474B (zh) * | 2019-09-30 | 2022-05-03 | 清华大学 | 一种行人属性识别方法和装置 |
CN110717544A (zh) * | 2019-10-14 | 2020-01-21 | 中山大学 | 一种垂直鱼眼镜头下行人属性分析方法及系统 |
CN110717544B (zh) * | 2019-10-14 | 2023-05-16 | 中山大学 | 一种垂直鱼眼镜头下行人属性分析方法及系统 |
CN110796079A (zh) * | 2019-10-29 | 2020-02-14 | 深圳龙岗智能视听研究院 | 基于人脸深度特征和人体局部深度特征的多相机访客识别的方法及系统 |
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 |
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 |
CN111191526B (zh) * | 2019-12-16 | 2023-10-10 | 汇纳科技股份有限公司 | 行人属性识别网络训练方法、系统、介质及终端 |
CN111191526A (zh) * | 2019-12-16 | 2020-05-22 | 汇纳科技股份有限公司 | 行人属性识别网络训练方法、系统、介质及终端 |
CN111177447B (zh) * | 2019-12-26 | 2021-04-30 | 南京大学 | 一种基于深度网络模型的行人图像识别方法 |
CN111177447A (zh) * | 2019-12-26 | 2020-05-19 | 南京大学 | 一种基于深度网络模型的行人图像识别方法 |
CN111178251A (zh) * | 2019-12-27 | 2020-05-19 | 汇纳科技股份有限公司 | 一种行人属性识别方法及系统、存储介质及终端 |
CN111259786A (zh) * | 2020-01-14 | 2020-06-09 | 浙江大学 | 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 |
CN111259786B (zh) * | 2020-01-14 | 2022-05-03 | 浙江大学 | 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 |
CN111339849A (zh) * | 2020-02-14 | 2020-06-26 | 北京工业大学 | 一种融合行人属性的行人重识别的方法 |
CN111652035A (zh) * | 2020-03-30 | 2020-09-11 | 武汉大学 | 一种基于ST-SSCA-Net的行人重识别方法及系统 |
CN111652035B (zh) * | 2020-03-30 | 2022-05-13 | 武汉大学 | 一种基于ST-SSCA-Net的行人重识别方法及系统 |
CN111553213B (zh) * | 2020-04-17 | 2022-09-20 | 大连理工大学 | 移动边缘云中实时分布式的身份感知行人属性识别方法 |
CN111553213A (zh) * | 2020-04-17 | 2020-08-18 | 大连理工大学 | 移动边缘云中实时分布式的身份感知行人属性识别方法 |
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 |
CN111881762A (zh) * | 2020-06-30 | 2020-11-03 | 深圳力维智联技术有限公司 | 一种联合训练行人属性识别和行人身份识别的方法 |
CN112084998A (zh) * | 2020-09-22 | 2020-12-15 | 杭州云栖智慧视通科技有限公司 | 一种基于属性信息辅助的行人再识别方法 |
CN113343909A (zh) * | 2021-06-29 | 2021-09-03 | 南京星云数字技术有限公司 | 多任务分类网络的训练方法、行人重识别方法 |
CN113343909B (zh) * | 2021-06-29 | 2023-09-26 | 南京星云数字技术有限公司 | 多任务分类网络的训练方法、行人重识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046553A (zh) | 一种融合属性特征的行人重识别模型、方法及系统 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
Faro et al. | Evaluation of the traffic parameters in a metropolitan area by fusing visual perceptions and CNN processing of webcam images | |
CN110147707B (zh) | 一种高精度车辆识别方法及系统 | |
CN111310518B (zh) | 图片特征提取方法、目标重识别方法、装置及电子设备 | |
CN112990211A (zh) | 一种神经网络的训练方法、图像处理方法以及装置 | |
CN105574848A (zh) | 用于对象的自动分割的方法和装置 | |
CN111008631B (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN111931603B (zh) | 基于竞合网络的双流卷积网络的人体动作识别系统及方法 | |
CN114821374B (zh) | 一种知识与数据协同驱动的无人机航拍目标检测方法 | |
CN110163060B (zh) | 图像中人群密度的确定方法及电子设备 | |
CN112949493A (zh) | 一种结合语义分割和注意力机制的车道线检测方法及系统 | |
CN112232165A (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN113822153A (zh) | 一种基于改进DeepSORT算法的无人机跟踪方法 | |
CN112257650A (zh) | 一种乘客画像方法、装置、存储介质及电子设备 | |
CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
CN114742996A (zh) | 图像语义分割方法、装置、电子设备及存储介质 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN115115947A (zh) | 遥感图像检测方法、装置、电子设备以及存储介质 | |
CN115272755A (zh) | 一种激光点云检测分割方法及系统 | |
CN115527159A (zh) | 一种基于跨模态间尺度注意聚合特征的计数系统及方法 | |
CN115546668A (zh) | 海洋生物的检测方法、装置及无人机 | |
CN115311518A (zh) | 一种获取视觉属性信息的方法、装置、介质及电子设备 | |
CN115240133A (zh) | 一种公交车拥挤度分析方法、装置和设备 |
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: 20190723 |