CN110070073A - 基于注意力机制的全局特征和局部特征的行人再识别方法 - Google Patents
基于注意力机制的全局特征和局部特征的行人再识别方法 Download PDFInfo
- Publication number
- CN110070073A CN110070073A CN201910373780.7A CN201910373780A CN110070073A CN 110070073 A CN110070073 A CN 110070073A CN 201910373780 A CN201910373780 A CN 201910373780A CN 110070073 A CN110070073 A CN 110070073A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- characteristic pattern
- local feature
- global characteristics
- attention mechanism
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于注意力机制的全局特征和局部特征的行人再识别方法,包括:分别提取行人的全局特征和局部特征;在全局特征分支中,以整个行人特征图像作为输入,并将其送入空间注意力机制模块和通道注意力机制模块,将两个模块的特征表示进行融合;在局部特征分支中,把行人特征图水平平均分割为三部分,将分割的三部分输入到通道注意力机制模块得到每一部分的局部特征;将全局特征和局部特征送入特征向量提取模块,得到用于行人预测的特征向量;对整体网络进行训练,得到行人再识别模型。本发明充分利用行人图像的全局特征和局部特征,有效融合了注意力机制,使行人特征更具有判别力,获得了良好的行人再识别结果,提高了模型匹配准确率。
Description
技术领域
本发明属于计算机视觉行人再识别技术领域,尤其是一种基于注意力机制的全局特征和局部特征的行人再识别方法。
背景技术
行人再识别技术是指通过计算机视觉技术,在不同摄像头拍摄的行人图像或者视频中判断其是否为同一行人的技术。由于其在视频监控和安防侦察等方面具有重要的意义,行人再识别技术已经引起了广泛的关注,是建设和谐社会和安全城市的关键。
传统的行人再识别技术可以分为两个要点:一个是特征提取,针对摄像头拍摄的行人图像或者视频,提取其具有判别力的特征;另一个是距离度量学习,使相同的行人特征之间的距离更近,而不同的行人特征之间的距离更远。随着深度学习技术在计算机视觉领域的广泛应用,行人再识别技术也将卷积神经网络作为经常使用的方法,并且能够提取到具有判别力和鲁棒性的行人特征,是解决行人再识别难题的必然趋势。
现在的行人再识别任务大多是基于行人图像的全局特征,而行人图像的背景十分复杂,一些不明显的细节信息很容易被忽略,而且行人再识别数据集多样性较小,这就限制了行人再识别的准确性。而一些基于局部特征提取的行人再识别方法,虽然能够在面对部分变化和遮挡的情况下获得鲁棒的效果,但是却忽略了行人再识别图像中全局的上下文依赖性,降低了匹配准确率。
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注意力机制的全局特征和局部特征的行人再识别方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于注意力机制的全局特征和局部特征的行人再识别方法,包括以下步骤:
步骤1、使用基于深度学习的卷积神经网络模型提取输入图像的基础深度特征,将行人特征图送入全局特征和局部特征分支中,分别提取行人的全局特征和局部特征;
步骤2、在全局特征分支中,以整个行人特征图像作为输入,并将其送入空间注意力机制模块和通道注意力机制模块,然后将两个模块的特征表示进行融合;
步骤3、在局部特征分支中,首先把行人特征图水平平均分割为三部分,然后将分割的三部分输入到通道注意力机制模块,对应得到每一部分的局部特征;
步骤4、将全局特征和局部特征送入特征向量提取模块,得到用于行人预测的特征向量;
步骤5、以交叉熵损失为目标函数对整体网络进行训练,得到基于注意力机制的全局特征和局部特征的行人再识别模型。
进一步,所述步骤1的具体实现方法为:
将输入图像缩放到统一尺寸384×128,以Resnet50卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的下采样和全连接层,得到尺寸大小为24×8的行人特征图,将产生的行人特征图作为输入分别送至全局特征分支和局部特征分支,分别提取行人的全局特征和局部特征。
进一步,所述步骤2的具体实现方法包括以下步骤:
⑴将由基础网络产生的特征图分别送入空间注意力模块和通道注意力模块中;
⑵在空间注意力模块里,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,将得到的特征图分别经过三个1×1的卷积、批归一化和ReLU操作,得到三个特征图{X,Y,Z}∈RC×H×W,其中,X,Y,Z分别为三个特征图中的一个特征图,RC×H×W表示维度为C×H×W的域,其中,C表示通道数,H表示特征图的高度,W表示特征图的宽度;然后将特征图X和Y的维度压缩到RC×M,其中,M=H×W,表示将图像的高度H和宽度W两个维度压缩为一个维度M;最后将特征图Y的转置和特征图X做矩阵乘法,得到空间注意力矩阵S∈RM×M,注意力矩阵S的元素sij的计算公式如下:
其中,sij表示第i个位置对第j个位置的影响,将特征图Z的转置和空间注意力矩阵S做矩阵乘法,并将结果维度扩至RC×H×W,最后与原特征图相加,得到空间注意力加权的特征图;
⑶在通道注意力机制中,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512;然后将原特征图分别进行全局最大值池化和全局均值池化,经过全连接层、ReLU、全连接层以及sigmoid操作,将得到的结果与原特征图做元素相乘,再将两个结果做元素相加,得到通道注意力加权的特征图;
⑷将空间注意力加权的特征图和通道注意力加权的特征图进行元素相加。
进一步,所述步骤3的具体实现方法包括以下步骤:
⑴将由基础网络产生的特征图水平方向平均切割为三部分,将结果送入通道注意力模块中;
⑵在通道注意力机制中,每一个部分都经过相同的操作,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,然后将原特征图分别进行全局最大值池化和全局均值池化,经过全连接层、ReLU、全连接层以及sigmoid操作,将得到的结果与原特征图做元素相乘,最后将两个结果做元素相加得到三个部分的通道注意力加权的特征图。
进一步,所述步骤4的具体实现方法包括以下步骤:
⑴将步骤2和步骤3得到的全局特征图和局部特征图结果送入特征向量提取模块;
⑵每个特征图分别进行全局最大值池化和全局平均池化,然后进行元素相加,再经过1×1的卷积、批归一化和ReLU操作,将特征向量的维度由512降至256,最后经过全连接层进行行人预测。
进一步,所述步骤5的具体实现方法包括以下步骤:
⑴计算预测行人特征向量与标注的行人向量的交叉熵损失,利用反向传播算法更新权重;
⑵设置批量大小并训练epoch,网络训练完成后,使用Rank-1和mAP衡量其行人再识别性能。
进一步,所述批量大小设置为32,所述训练epoch的个数为60。
本发明的优点和积极效果是:
本发明设计合理,其在特征提取的过程中融合了全局特征和局部特征,通过全局特征分支我们可以利用到整幅行人图像的信息,获得最直观的外观线索来表示不同行人的身份,而局部特征分支在面对诸如部分变化和遮挡问题时具有鲁棒性,能够捕获更多的细节信息,两种特征相互补充。为了进一步利用潜在的上下文依赖性并增强特征的判别能力,本发明运用了两种类型的注意力机制模块,空间注意力机制可以捕获图像各个位置之间的上下文依赖性,通道注意力机制能够利用通道维度上特征图之间的关系,从而获得更好的特征表示和行人再识别结果。本发明在公开数据集上进行了测试,本发明优于目前的其他行人再识别算法,使得系统整体的准确率大大提升。
附图说明
图1是本发明的行人再识别方法原理图;
图2是空间注意力模块结构图;
图3是通道注意力模块结构图;
图4是特征向量提取模块结构图。
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。
一种基于注意力机制的全局特征和局部特征的行人再识别方法,如图1所示,包括以下步骤:
步骤1、使用基于深度学习的卷积神经网络模型提取图像的基础深度特征,将行人特征图送入两个分支,分别提取行人的全局特征和局部特征。
本步骤的具体实施方法如下:
将输入图像缩放到统一尺寸384×128,以Resnet50卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的下采样和全连接层,得到尺寸大小为24×8的特征图,将产生的行人特征图作为输入分别送至全局特征分支和局部特征分支。
步骤2、在全局特征分支中,以整个行人特征图像作为输入,并将其送入空间注意力机制模块和通道注意力机制模块,如图2和图3所示,然后将两个模块的特征表示进行融合。
本步骤的具体实施方法如下:
⑴将由基础网络产生的特征图分别送入空间注意力模块和通道注意力模块中;
⑵在空间注意力模块里,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,将得到的特征图分别经过三个1×1的卷积、批归一化和ReLU操作,得到三个特征图{X,Y,Z}∈RC×H×W,其中,X,Y,Z分别为三个特征图中的一个特征图,RC×H×W表示维度为C×H×W的域,其中,C表示通道数,H表示特征图的高度,W表示特征图的宽度;然后将特征图X和Y的维度压缩到RC×M,其中,M=H×W,表示将图像的高度H和宽度W两个维度压缩为一个维度M;最后将特征图Y的转置和特征图X做矩阵乘法,得到空间注意力矩阵S∈RM×M,注意力矩阵S的元素sij的计算公式如下:
其中,sij表示第i个位置对第j个位置的影响,将特征图Z的转置和空间注意力矩阵S做矩阵乘法,并将结果维度扩至RC×H×W,最后与原特征图相加,得到空间注意力加权的特征图。
⑶在通道注意力机制中,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,然后将原特征图分别进行全局最大值池化和全局均值池化,然后经过全连接层、ReLU、全连接层以及sigmoid操作,将得到的结果与原特征图做元素相乘,再将两个结果做元素相加,得到通道注意力加权的特征图。
⑷将空间注意力加权的特征图和通道注意力加权的特征图进行元素相加。
步骤3、在局部特征分支中,首先把行人特征图水平平均分割为三部分(如图1所示),将分割的三部分输入到通道注意力机制模块(注意力机制模块如图3所示),对应得到每一部分的局部特征。
本步骤的具体实施方法如下:
⑴将由基础网络产生的特征图水平方向平均切割为三部分,将结果送入通道注意力模块中;
⑵在通道注意力机制中,每一个部分都经过相同的操作,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,然后将原特征图分别进行全局最大值池化和全局均值池化,然后经过全连接层、ReLU、全连接层以及sigmoid操作,将得到的结果与原特征图做元素相乘,再将两个结果做元素相加,得到三个部分的通道注意力加权的特征图。
步骤4、将全局特征和局部特征送入特征向量提取模块,得到用于行人预测的特征向量,特征向量提取模块如图4所示。
本步骤的具体实施方法如下:
⑴将步骤2和步骤3得到的全局特征图和局部特征图结果送入特征向量提取模块。
⑵每个特征图分别进行全局最大值池化和全局平均池化,然后进行元素相加,再经过1×1的卷积、批归一化和ReLU操作,将特征向量的维度由512降至256,最后经过全连接层,用于行人预测。
步骤5、以交叉熵损失为目标函数对整体网络进行训练,得到基于注意力机制的全局特征和局部特征的行人再识别模型。
本步骤的具体实施方法如下:
⑴计算预测行人特征向量与标注的行人向量的交叉熵损失,利用反向传播算法更新权重;
⑵设置批量大小为32,训练60个epoch,网络训练完成后,使用rank1和mAP衡量其行人再识别性能。
下面按照上述方法明进行测试,进而说明本发明的效果。
测试环境:Ubuntu16.04、Pytorch 0.4、NVIDIA GTX 1080Ti GPU
测试数据:用于行人再识别的公共数据集Market1501、DukeMTMC-reID和CUHK03-detected。
测试指标:本发明使用了行人再识别领域常用的两个评价指标:Rank-1和mAP(mean Average Precision)。Rank-1,该指标表示相似度排名前1的样本中正确匹配的概率,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数据集均来自6个不同摄像头,其评价指标有Rank-1和mAP。
在本测试中,对当今流行的不同算法计算这些指标数据然后进行结果对比,结果表明本发明所提出的方法取得最优效果。表1至表3是本发明算法与现有算法的性能比较。
表1本发明与其他算法在Market-1501数据集下的性能比较
表2本发明与其他算法在DukeMTMC-reID数据集下的性能比较
表3本发明与其他算法在CUHK03数据集下的性能比较
本发明未述及之处适用于现有技术。
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 (7)
1.一种基于注意力机制的全局特征和局部特征的行人再识别方法,其特征在于包括以下步骤:
步骤1、使用基于深度学习的卷积神经网络模型提取输入图像的基础深度特征,将行人特征图送入全局特征和局部特征分支中,分别提取行人的全局特征和局部特征;
步骤2、在全局特征分支中,以整个行人特征图像作为输入,并将其送入空间注意力机制模块和通道注意力机制模块,然后将两个模块的特征表示进行融合;
步骤3、在局部特征分支中,首先把行人特征图水平平均分割为三部分,然后将分割的三部分输入到通道注意力机制模块,对应得到每一部分的局部特征;
步骤4、将全局特征和局部特征送入特征向量提取模块,得到用于行人预测的特征向量;
步骤5、以交叉熵损失为目标函数对整体网络进行训练,得到基于注意力机制的全局特征和局部特征的行人再识别模型。
2.根据权利要求1所述的基于注意力机制的全局特征和局部特征的行人再识别方法,其特征在于:所述步骤1的具体实现方法为:
将输入图像缩放到统一尺寸384×128,以Resnet50卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的下采样和全连接层,得到尺寸大小为24×8的行人特征图,将产生的行人特征图作为输入分别送至全局特征分支和局部特征分支,分别提取行人的全局特征和局部特征。
3.根据权利要求1所述的基于注意力机制的全局特征和局部特征的行人再识别方法,其特征在于:所述步骤2的具体实现方法包括以下步骤:
(1)将由基础网络产生的特征图分别送入空间注意力模块和通道注意力模块中;
(2)在空间注意力模块里,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,将得到的特征图分别经过三个1×1的卷积、批归一化和ReLU操作,得到三个特征图{X,Y,Z}∈RC×H×W,其中,X,Y,Z分别为三个特征图中的一个特征图,RC×H×W表示维度为C×H×W的域,其中,C表示通道数,H表示特征图的高度,W表示特征图的宽度;然后将特征图X和Y的维度压缩到RC×M,其中,M=H×W,表示将图像的高度H和宽度W两个维度压缩为一个维度M;最后将特征图Y的转置和特征图X做矩阵乘法,得到空间注意力矩阵S∈RM×M,注意力矩阵S的元素sij的计算公式如下:
其中,sij表示第i个位置对第j个位置的影响,将特征图Z的转置和空间注意力矩阵S做矩阵乘法,并将结果维度扩至RC×H×W,最后与原特征图相加,得到空间注意力加权的特征图;
(3)在通道注意力机制中,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512;然后将原特征图分别进行全局最大值池化和全局均值池化,经过全连接层、ReLU、全连接层以及sigmoid操作,将得到的结果与原特征图做元素相乘,再将两个结果做元素相加,得到通道注意力加权的特征图;
⑷将空间注意力加权的特征图和通道注意力加权的特征图进行元素相加。
4.根据权利要求1所述的基于注意力机制的全局特征和局部特征的行人再识别方法,其特征在于:所述步骤3的具体实现方法包括以下步骤:
⑴将由基础网络产生的特征图水平方向平均切割为三部分,将结果送入通道注意力模块中;
⑵在通道注意力机制中,每一个部分都经过相同的操作,首先经过一个3×3的卷积,将原特征图的维度由1024降低到512,然后将原特征图分别进行全局最大值池化和全局均值池化,经过全连接层、ReLU、全连接层以及sigmoid操作,将得到的结果与原特征图做元素相乘,最后将两个结果做元素相加得到三个部分的通道注意力加权的特征图。
5.根据权利要求1所述的基于注意力机制的全局特征和局部特征的行人再识别方法,其特点在于:所述步骤4的具体实现方法包括以下步骤:
⑴将步骤2和步骤3得到的全局特征图和局部特征图结果送入特征向量提取模块;
⑵每个特征图分别进行全局最大值池化和全局平均池化,然后进行元素相加,再经过1×1的卷积、批归一化和ReLU操作,将特征向量的维度由512降至256,最后经过全连接层进行行人预测。
6.根据权利要求1所述的基于注意力机制的全局特征和局部特征的行人再识别方法,其特点在于:所述步骤5的具体实现方法包括以下步骤:
⑴计算预测行人特征向量与标注的行人向量的交叉熵损失,利用反向传播算法更新权重;
⑵设置批量大小并训练epoch,网络训练完成后,使用Rank-1和mAP衡量其行人再识别性能。
7.根据权利要求6所述的基于注意力机制的全局特征和局部特征的行人再识别方法,其特点在于:所述批量大小设置为32,所述训练epoch的个数为60。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373780.7A CN110070073A (zh) | 2019-05-07 | 2019-05-07 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373780.7A CN110070073A (zh) | 2019-05-07 | 2019-05-07 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070073A true CN110070073A (zh) | 2019-07-30 |
Family
ID=67370016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373780.7A Pending CN110070073A (zh) | 2019-05-07 | 2019-05-07 | 基于注意力机制的全局特征和局部特征的行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070073A (zh) |
Cited By (67)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211127A (zh) * | 2019-08-01 | 2019-09-06 | 成都考拉悠然科技有限公司 | 基于双相关性网络的图像分割方法 |
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 |
CN110458867A (zh) * | 2019-08-15 | 2019-11-15 | 北京邮电大学 | 一种基于注意力循环网络的目标跟踪方法 |
CN110516603A (zh) * | 2019-08-28 | 2019-11-29 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
CN110533045A (zh) * | 2019-07-31 | 2019-12-03 | 中国民航大学 | 一种结合注意力机制的行李x光违禁品图像语义分割方法 |
CN110543841A (zh) * | 2019-08-21 | 2019-12-06 | 中科视语(北京)科技有限公司 | 行人重识别方法、系统、电子设备及介质 |
CN110688938A (zh) * | 2019-09-25 | 2020-01-14 | 江苏省未来网络创新研究院 | 一种集成注意力机制的行人重识别方法 |
CN110728683A (zh) * | 2019-09-29 | 2020-01-24 | 吉林大学 | 一种基于密集连接的图像语义分割方法 |
CN110765841A (zh) * | 2019-09-03 | 2020-02-07 | 上海交通大学 | 基于混合注意力机制的群组行人重识别系统及终端 |
CN110781893A (zh) * | 2019-09-24 | 2020-02-11 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
CN110827193A (zh) * | 2019-10-21 | 2020-02-21 | 国家广播电视总局广播电视规划院 | 基于多通道特征的全景视频显著性检测方法 |
CN110889343A (zh) * | 2019-11-15 | 2020-03-17 | 复旦大学 | 基于注意力型深度神经网络的人群密度估计方法及装置 |
CN110991220A (zh) * | 2019-10-15 | 2020-04-10 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN111028253A (zh) * | 2019-11-25 | 2020-04-17 | 北京科技大学 | 一种铁精粉分割方法及分割装置 |
CN111046847A (zh) * | 2019-12-30 | 2020-04-21 | 北京澎思科技有限公司 | 一种视频处理方法、装置、电子设备以及介质 |
CN111160096A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 |
CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
CN111191737A (zh) * | 2020-01-05 | 2020-05-22 | 天津大学 | 基于多尺度反复注意力机制的细粒度图像分类方法 |
CN111199212A (zh) * | 2020-01-02 | 2020-05-26 | 西安工程大学 | 基于注意力模型的行人属性识别方法 |
CN111259850A (zh) * | 2020-01-23 | 2020-06-09 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111259837A (zh) * | 2020-01-20 | 2020-06-09 | 福州大学 | 一种基于部位注意力的行人重识别方法及系统 |
CN111274892A (zh) * | 2020-01-14 | 2020-06-12 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及系统 |
CN111274999A (zh) * | 2020-02-17 | 2020-06-12 | 北京迈格威科技有限公司 | 数据处理、图像处理方法、装置及电子设备 |
CN111289853A (zh) * | 2020-02-25 | 2020-06-16 | 安徽炬视科技有限公司 | 一种基于通道-空间注意力机制的绝缘子检测系统及算法 |
CN111325145A (zh) * | 2020-02-19 | 2020-06-23 | 中山大学 | 一种基于结合时域通道相关性块的行为识别方法 |
CN111461038A (zh) * | 2020-04-07 | 2020-07-28 | 中北大学 | 一种基于分层多模式注意力机制的行人再识别方法 |
CN111539336A (zh) * | 2020-04-25 | 2020-08-14 | 长治学院 | 一种提高局部注意力的行人重识别方法 |
CN111667489A (zh) * | 2020-04-30 | 2020-09-15 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及系统 |
CN111709331A (zh) * | 2020-06-03 | 2020-09-25 | 江南大学 | 一种基于多粒度信息交互模型的行人重识别方法 |
CN111881746A (zh) * | 2020-06-23 | 2020-11-03 | 安徽清新互联信息科技有限公司 | 一种基于信息融合的人脸特征点定位方法及系统 |
CN111898431A (zh) * | 2020-06-24 | 2020-11-06 | 南京邮电大学 | 一种基于注意力机制部件遮挡的行人再识别方法 |
CN111931624A (zh) * | 2020-08-03 | 2020-11-13 | 重庆邮电大学 | 基于注意力机制的轻量级多分支行人重识别方法及系统 |
CN112037520A (zh) * | 2020-11-05 | 2020-12-04 | 杭州科技职业技术学院 | 道路监控方法、系统和电子设备 |
CN112070670A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 全局-局部分离注意力机制的人脸超分辨率方法及系统 |
CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
CN112131943A (zh) * | 2020-08-20 | 2020-12-25 | 深圳大学 | 一种基于双重注意力模型的视频行为识别方法及系统 |
CN112149643A (zh) * | 2020-11-09 | 2020-12-29 | 西北工业大学 | 基于多级注意力机制的面向无人机平台的车辆重识别方法 |
CN112215840A (zh) * | 2020-10-30 | 2021-01-12 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN112232328A (zh) * | 2020-12-16 | 2021-01-15 | 南京邮电大学 | 基于卷积神经网络的遥感影像建筑区提取方法、装置 |
CN112232300A (zh) * | 2020-11-11 | 2021-01-15 | 汇纳科技股份有限公司 | 全局遮挡自适应的行人训练/识别方法、系统、设备及介质 |
CN112488049A (zh) * | 2020-12-16 | 2021-03-12 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组牵引电机及轴间夹挂异物的故障识别方法 |
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 |
CN112766279A (zh) * | 2020-12-31 | 2021-05-07 | 中国船舶重工集团公司第七0九研究所 | 一种基于联合注意力机制的图像特征提取方法 |
CN112784764A (zh) * | 2021-01-27 | 2021-05-11 | 南京邮电大学 | 一种基于局部与全局注意力机制的表情识别方法及系统 |
CN112784856A (zh) * | 2021-01-29 | 2021-05-11 | 长沙理工大学 | 胸部x射线图像的通道注意力特征提取方法和识别方法 |
CN112801008A (zh) * | 2021-02-05 | 2021-05-14 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN112836637A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 一种基于空间逆向注意网络的行人重识别方法 |
CN112949841A (zh) * | 2021-05-13 | 2021-06-11 | 德鲁动力科技(成都)有限公司 | 一种基于Attention的CNN神经网络的训练方法 |
CN113239784A (zh) * | 2021-05-11 | 2021-08-10 | 广西科学院 | 一种基于空间序列特征学习的行人重识别系统及方法 |
CN113255821A (zh) * | 2021-06-15 | 2021-08-13 | 中国人民解放军国防科技大学 | 基于注意力的图像识别方法、系统、电子设备及存储介质 |
CN113392740A (zh) * | 2021-06-03 | 2021-09-14 | 吉林大学 | 一种基于双重注意力机制的行人重识别系统 |
CN113420742A (zh) * | 2021-08-25 | 2021-09-21 | 山东交通学院 | 一种用于车辆重识别的全局注意力网络模型 |
CN113486981A (zh) * | 2021-07-30 | 2021-10-08 | 西安电子科技大学 | 基于多尺度特征注意力融合网络的rgb图像分类方法 |
CN113592927A (zh) * | 2021-07-26 | 2021-11-02 | 国网安徽省电力有限公司电力科学研究院 | 一种结构信息引导的跨域图像几何配准方法 |
CN113688822A (zh) * | 2021-09-07 | 2021-11-23 | 河南工业大学 | 一种时序注意力机制场景图像识别方法 |
CN113723366A (zh) * | 2021-10-25 | 2021-11-30 | 山东力聚机器人科技股份有限公司 | 一种行人重识别方法、装置及计算机设备 |
CN113762251A (zh) * | 2021-08-17 | 2021-12-07 | 慧影医疗科技(北京)有限公司 | 一种基于注意力机制的目标分类方法及系统 |
CN113822246A (zh) * | 2021-11-22 | 2021-12-21 | 山东交通学院 | 一种基于全局参考注意力机制的车辆重识别方法 |
CN113947782A (zh) * | 2021-10-14 | 2022-01-18 | 哈尔滨工程大学 | 一种基于注意力机制的行人目标对齐方法 |
CN113963372A (zh) * | 2021-09-22 | 2022-01-21 | 高新兴科技集团股份有限公司 | 一种行人再识别方法和装置 |
CN113963176A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
CN115393788A (zh) * | 2022-08-03 | 2022-11-25 | 华中农业大学 | 一种基于增强全局信息注意力的多尺度监控行人重识别方法 |
CN115648215A (zh) * | 2022-11-04 | 2023-01-31 | 北京能创科技有限公司 | 基于注意力机制和孪生反卷积的服务机器人抓取检测方法 |
CN116311105A (zh) * | 2023-05-15 | 2023-06-23 | 山东交通学院 | 一种基于样本间上下文指导网络的车辆重识别方法 |
CN116469017A (zh) * | 2023-03-31 | 2023-07-21 | 北京交通大学 | 一种面向无人机自动化铁路巡检的实时轨道识别方法 |
CN117218720A (zh) * | 2023-08-25 | 2023-12-12 | 中南民族大学 | 一种复合注意力机制的足迹识别方法、系统及相关装置 |
EP4137991A4 (en) * | 2020-08-25 | 2024-04-03 | Beijing Jingdong Shangke Information Technology Co., Ltd. | PEDESTRIAN RECOGNITION METHOD AND DEVICE |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960124A (zh) * | 2018-06-28 | 2018-12-07 | 北京陌上花科技有限公司 | 用于行人再识别的图像处理方法及装置 |
US10176405B1 (en) * | 2018-06-18 | 2019-01-08 | Inception Institute Of Artificial Intelligence | Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations |
CN109472248A (zh) * | 2018-11-22 | 2019-03-15 | 广东工业大学 | 一种行人重识别方法、系统及电子设备和存储介质 |
CN109583502A (zh) * | 2018-11-30 | 2019-04-05 | 天津师范大学 | 一种基于对抗擦除注意力机制的行人再识别方法 |
-
2019
- 2019-05-07 CN CN201910373780.7A patent/CN110070073A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176405B1 (en) * | 2018-06-18 | 2019-01-08 | Inception Institute Of Artificial Intelligence | Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations |
CN108960124A (zh) * | 2018-06-28 | 2018-12-07 | 北京陌上花科技有限公司 | 用于行人再识别的图像处理方法及装置 |
CN109472248A (zh) * | 2018-11-22 | 2019-03-15 | 广东工业大学 | 一种行人重识别方法、系统及电子设备和存储介质 |
CN109583502A (zh) * | 2018-11-30 | 2019-04-05 | 天津师范大学 | 一种基于对抗擦除注意力机制的行人再识别方法 |
Non-Patent Citations (4)
Title |
---|
FAN YANG 等: "Attention driven person re-identification", 《PATTERN RECOGNITION》 * |
JUN FU 等: "Dual Attention Network for Scene Segmentation", 《ARXIV:1809.02983V4》 * |
SANGHYUN WOO 等: "CBAM: Convolutional Block Attention Module", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
XUAN ZHANG 等: "AlignedReID: Surpassing Human-Level Performance in Person Re-Identification", 《ARXIV:1711.08184V2》 * |
Cited By (105)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533045B (zh) * | 2019-07-31 | 2023-01-17 | 中国民航大学 | 一种结合注意力机制的行李x光违禁品图像语义分割方法 |
CN110533045A (zh) * | 2019-07-31 | 2019-12-03 | 中国民航大学 | 一种结合注意力机制的行李x光违禁品图像语义分割方法 |
CN110211127A (zh) * | 2019-08-01 | 2019-09-06 | 成都考拉悠然科技有限公司 | 基于双相关性网络的图像分割方法 |
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 |
CN110458867A (zh) * | 2019-08-15 | 2019-11-15 | 北京邮电大学 | 一种基于注意力循环网络的目标跟踪方法 |
CN110543841A (zh) * | 2019-08-21 | 2019-12-06 | 中科视语(北京)科技有限公司 | 行人重识别方法、系统、电子设备及介质 |
CN110516603A (zh) * | 2019-08-28 | 2019-11-29 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
CN110516603B (zh) * | 2019-08-28 | 2022-03-18 | 北京百度网讯科技有限公司 | 信息处理方法和装置 |
CN110765841A (zh) * | 2019-09-03 | 2020-02-07 | 上海交通大学 | 基于混合注意力机制的群组行人重识别系统及终端 |
CN110781893B (zh) * | 2019-09-24 | 2022-06-07 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
CN110781893A (zh) * | 2019-09-24 | 2020-02-11 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
CN110688938A (zh) * | 2019-09-25 | 2020-01-14 | 江苏省未来网络创新研究院 | 一种集成注意力机制的行人重识别方法 |
CN110728683A (zh) * | 2019-09-29 | 2020-01-24 | 吉林大学 | 一种基于密集连接的图像语义分割方法 |
CN110728683B (zh) * | 2019-09-29 | 2021-02-26 | 吉林大学 | 一种基于密集连接的图像语义分割方法 |
CN110991220A (zh) * | 2019-10-15 | 2020-04-10 | 北京海益同展信息科技有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN110991220B (zh) * | 2019-10-15 | 2023-11-07 | 京东科技信息技术有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN110827193A (zh) * | 2019-10-21 | 2020-02-21 | 国家广播电视总局广播电视规划院 | 基于多通道特征的全景视频显著性检测方法 |
CN110827193B (zh) * | 2019-10-21 | 2023-05-09 | 国家广播电视总局广播电视规划院 | 基于多通道特征的全景视频显著性检测方法 |
CN110889343A (zh) * | 2019-11-15 | 2020-03-17 | 复旦大学 | 基于注意力型深度神经网络的人群密度估计方法及装置 |
CN110889343B (zh) * | 2019-11-15 | 2023-05-05 | 复旦大学 | 基于注意力型深度神经网络的人群密度估计方法及装置 |
CN111028253B (zh) * | 2019-11-25 | 2023-05-30 | 北京科技大学 | 一种铁精粉分割方法及分割装置 |
CN111028253A (zh) * | 2019-11-25 | 2020-04-17 | 北京科技大学 | 一种铁精粉分割方法及分割装置 |
WO2021104125A1 (zh) * | 2019-11-26 | 2021-06-03 | 京东数科海益信息科技有限公司 | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 |
CN111160096A (zh) * | 2019-11-26 | 2020-05-15 | 北京海益同展信息科技有限公司 | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 |
CN111161224A (zh) * | 2019-12-17 | 2020-05-15 | 沈阳铸造研究所有限公司 | 基于深度学习的铸件内部缺陷分级评估系统及方法 |
CN111046847A (zh) * | 2019-12-30 | 2020-04-21 | 北京澎思科技有限公司 | 一种视频处理方法、装置、电子设备以及介质 |
CN111199212B (zh) * | 2020-01-02 | 2023-04-07 | 西安工程大学 | 基于注意力模型的行人属性识别方法 |
CN111199212A (zh) * | 2020-01-02 | 2020-05-26 | 西安工程大学 | 基于注意力模型的行人属性识别方法 |
CN111191737B (zh) * | 2020-01-05 | 2023-07-25 | 天津大学 | 基于多尺度反复注意力机制的细粒度图像分类方法 |
CN111191737A (zh) * | 2020-01-05 | 2020-05-22 | 天津大学 | 基于多尺度反复注意力机制的细粒度图像分类方法 |
CN111274892A (zh) * | 2020-01-14 | 2020-06-12 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及系统 |
CN111274892B (zh) * | 2020-01-14 | 2020-12-18 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及系统 |
CN111259837A (zh) * | 2020-01-20 | 2020-06-09 | 福州大学 | 一种基于部位注意力的行人重识别方法及系统 |
CN111259850B (zh) * | 2020-01-23 | 2022-12-16 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111259850A (zh) * | 2020-01-23 | 2020-06-09 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111274999B (zh) * | 2020-02-17 | 2024-04-19 | 北京迈格威科技有限公司 | 数据处理、图像处理方法、装置及电子设备 |
CN111274999A (zh) * | 2020-02-17 | 2020-06-12 | 北京迈格威科技有限公司 | 数据处理、图像处理方法、装置及电子设备 |
CN111325145A (zh) * | 2020-02-19 | 2020-06-23 | 中山大学 | 一种基于结合时域通道相关性块的行为识别方法 |
CN111325145B (zh) * | 2020-02-19 | 2023-04-25 | 中山大学 | 一种基于结合时域通道相关性块的行为识别方法 |
CN111289853A (zh) * | 2020-02-25 | 2020-06-16 | 安徽炬视科技有限公司 | 一种基于通道-空间注意力机制的绝缘子检测系统及算法 |
CN111461038A (zh) * | 2020-04-07 | 2020-07-28 | 中北大学 | 一种基于分层多模式注意力机制的行人再识别方法 |
CN111539336A (zh) * | 2020-04-25 | 2020-08-14 | 长治学院 | 一种提高局部注意力的行人重识别方法 |
CN111667489A (zh) * | 2020-04-30 | 2020-09-15 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及系统 |
CN111667489B (zh) * | 2020-04-30 | 2022-04-05 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及系统 |
CN111709331A (zh) * | 2020-06-03 | 2020-09-25 | 江南大学 | 一种基于多粒度信息交互模型的行人重识别方法 |
CN111881746B (zh) * | 2020-06-23 | 2024-04-02 | 安徽清新互联信息科技有限公司 | 一种基于信息融合的人脸特征点定位方法及系统 |
CN111881746A (zh) * | 2020-06-23 | 2020-11-03 | 安徽清新互联信息科技有限公司 | 一种基于信息融合的人脸特征点定位方法及系统 |
CN111898431A (zh) * | 2020-06-24 | 2020-11-06 | 南京邮电大学 | 一种基于注意力机制部件遮挡的行人再识别方法 |
CN111898431B (zh) * | 2020-06-24 | 2022-07-26 | 南京邮电大学 | 一种基于注意力机制部件遮挡的行人再识别方法 |
CN111931624B (zh) * | 2020-08-03 | 2023-02-07 | 重庆邮电大学 | 基于注意力机制的轻量级多分支行人重识别方法及系统 |
CN111931624A (zh) * | 2020-08-03 | 2020-11-13 | 重庆邮电大学 | 基于注意力机制的轻量级多分支行人重识别方法及系统 |
CN112131943B (zh) * | 2020-08-20 | 2023-07-11 | 深圳大学 | 一种基于双重注意力模型的视频行为识别方法及系统 |
CN112131943A (zh) * | 2020-08-20 | 2020-12-25 | 深圳大学 | 一种基于双重注意力模型的视频行为识别方法及系统 |
EP4137991A4 (en) * | 2020-08-25 | 2024-04-03 | Beijing Jingdong Shangke Information Technology Co., Ltd. | PEDESTRIAN RECOGNITION METHOD AND DEVICE |
CN112070670A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 全局-局部分离注意力机制的人脸超分辨率方法及系统 |
CN112070670B (zh) * | 2020-09-03 | 2022-05-10 | 武汉工程大学 | 全局-局部分离注意力机制的人脸超分辨率方法及系统 |
CN112102324B (zh) * | 2020-09-17 | 2021-06-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
CN112215840A (zh) * | 2020-10-30 | 2021-01-12 | 上海商汤临港智能科技有限公司 | 图像检测、行驶控制方法、装置、电子设备及存储介质 |
CN112037520A (zh) * | 2020-11-05 | 2020-12-04 | 杭州科技职业技术学院 | 道路监控方法、系统和电子设备 |
CN112149643A (zh) * | 2020-11-09 | 2020-12-29 | 西北工业大学 | 基于多级注意力机制的面向无人机平台的车辆重识别方法 |
CN112232300B (zh) * | 2020-11-11 | 2024-01-19 | 汇纳科技股份有限公司 | 全局遮挡自适应的行人训练/识别方法、系统、设备及介质 |
CN112232300A (zh) * | 2020-11-11 | 2021-01-15 | 汇纳科技股份有限公司 | 全局遮挡自适应的行人训练/识别方法、系统、设备及介质 |
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 |
CN112488049A (zh) * | 2020-12-16 | 2021-03-12 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组牵引电机及轴间夹挂异物的故障识别方法 |
CN112232328A (zh) * | 2020-12-16 | 2021-01-15 | 南京邮电大学 | 基于卷积神经网络的遥感影像建筑区提取方法、装置 |
CN112766279A (zh) * | 2020-12-31 | 2021-05-07 | 中国船舶重工集团公司第七0九研究所 | 一种基于联合注意力机制的图像特征提取方法 |
CN112784764B (zh) * | 2021-01-27 | 2022-07-12 | 南京邮电大学 | 一种基于局部与全局注意力机制的表情识别方法及系统 |
CN112784764A (zh) * | 2021-01-27 | 2021-05-11 | 南京邮电大学 | 一种基于局部与全局注意力机制的表情识别方法及系统 |
CN112784856A (zh) * | 2021-01-29 | 2021-05-11 | 长沙理工大学 | 胸部x射线图像的通道注意力特征提取方法和识别方法 |
CN112836637A (zh) * | 2021-02-03 | 2021-05-25 | 江南大学 | 一种基于空间逆向注意网络的行人重识别方法 |
CN112801008B (zh) * | 2021-02-05 | 2024-05-31 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN112801008A (zh) * | 2021-02-05 | 2021-05-14 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN113239784B (zh) * | 2021-05-11 | 2022-09-30 | 广西科学院 | 一种基于空间序列特征学习的行人重识别系统及方法 |
CN113239784A (zh) * | 2021-05-11 | 2021-08-10 | 广西科学院 | 一种基于空间序列特征学习的行人重识别系统及方法 |
CN112949841A (zh) * | 2021-05-13 | 2021-06-11 | 德鲁动力科技(成都)有限公司 | 一种基于Attention的CNN神经网络的训练方法 |
CN113392740A (zh) * | 2021-06-03 | 2021-09-14 | 吉林大学 | 一种基于双重注意力机制的行人重识别系统 |
CN113392740B (zh) * | 2021-06-03 | 2022-06-28 | 吉林大学 | 一种基于双重注意力机制的行人重识别系统 |
CN113255821A (zh) * | 2021-06-15 | 2021-08-13 | 中国人民解放军国防科技大学 | 基于注意力的图像识别方法、系统、电子设备及存储介质 |
CN113592927B (zh) * | 2021-07-26 | 2023-12-15 | 国网安徽省电力有限公司电力科学研究院 | 一种结构信息引导的跨域图像几何配准方法 |
CN113592927A (zh) * | 2021-07-26 | 2021-11-02 | 国网安徽省电力有限公司电力科学研究院 | 一种结构信息引导的跨域图像几何配准方法 |
CN113486981A (zh) * | 2021-07-30 | 2021-10-08 | 西安电子科技大学 | 基于多尺度特征注意力融合网络的rgb图像分类方法 |
CN113762251A (zh) * | 2021-08-17 | 2021-12-07 | 慧影医疗科技(北京)有限公司 | 一种基于注意力机制的目标分类方法及系统 |
CN113762251B (zh) * | 2021-08-17 | 2024-05-10 | 慧影医疗科技(北京)股份有限公司 | 一种基于注意力机制的目标分类方法及系统 |
CN113420742A (zh) * | 2021-08-25 | 2021-09-21 | 山东交通学院 | 一种用于车辆重识别的全局注意力网络模型 |
CN113688822A (zh) * | 2021-09-07 | 2021-11-23 | 河南工业大学 | 一种时序注意力机制场景图像识别方法 |
CN113963372A (zh) * | 2021-09-22 | 2022-01-21 | 高新兴科技集团股份有限公司 | 一种行人再识别方法和装置 |
CN113947782A (zh) * | 2021-10-14 | 2022-01-18 | 哈尔滨工程大学 | 一种基于注意力机制的行人目标对齐方法 |
CN113947782B (zh) * | 2021-10-14 | 2024-06-07 | 哈尔滨工程大学 | 一种基于注意力机制的行人目标对齐方法 |
CN113723366B (zh) * | 2021-10-25 | 2022-03-25 | 山东力聚机器人科技股份有限公司 | 一种行人重识别方法、装置及计算机设备 |
CN113723366A (zh) * | 2021-10-25 | 2021-11-30 | 山东力聚机器人科技股份有限公司 | 一种行人重识别方法、装置及计算机设备 |
CN113963176B (zh) * | 2021-10-28 | 2023-07-07 | 北京百度网讯科技有限公司 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
CN113963176A (zh) * | 2021-10-28 | 2022-01-21 | 北京百度网讯科技有限公司 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
CN113822246A (zh) * | 2021-11-22 | 2021-12-21 | 山东交通学院 | 一种基于全局参考注意力机制的车辆重识别方法 |
CN113822246B (zh) * | 2021-11-22 | 2022-02-18 | 山东交通学院 | 一种基于全局参考注意力机制的车辆重识别方法 |
CN115393788A (zh) * | 2022-08-03 | 2022-11-25 | 华中农业大学 | 一种基于增强全局信息注意力的多尺度监控行人重识别方法 |
CN115648215B (zh) * | 2022-11-04 | 2024-01-26 | 北京能创科技有限公司 | 基于注意力机制和孪生反卷积的服务机器人抓取检测方法 |
CN115648215A (zh) * | 2022-11-04 | 2023-01-31 | 北京能创科技有限公司 | 基于注意力机制和孪生反卷积的服务机器人抓取检测方法 |
CN116469017A (zh) * | 2023-03-31 | 2023-07-21 | 北京交通大学 | 一种面向无人机自动化铁路巡检的实时轨道识别方法 |
CN116469017B (zh) * | 2023-03-31 | 2024-01-02 | 北京交通大学 | 一种面向无人机自动化铁路巡检的实时轨道识别方法 |
CN116311105A (zh) * | 2023-05-15 | 2023-06-23 | 山东交通学院 | 一种基于样本间上下文指导网络的车辆重识别方法 |
CN116311105B (zh) * | 2023-05-15 | 2023-09-19 | 山东交通学院 | 一种基于样本间上下文指导网络的车辆重识别方法 |
CN117218720B (zh) * | 2023-08-25 | 2024-04-16 | 中南民族大学 | 一种复合注意力机制的足迹识别方法、系统及相关装置 |
CN117218720A (zh) * | 2023-08-25 | 2023-12-12 | 中南民族大学 | 一种复合注意力机制的足迹识别方法、系统及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070073A (zh) | 基于注意力机制的全局特征和局部特征的行人再识别方法 | |
Chen et al. | Partition and reunion: A two-branch neural network for vehicle re-identification. | |
CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
CN110188611A (zh) | 一种引入视觉注意力机制的行人重识别方法及系统 | |
CN109828251A (zh) | 基于特征金字塔轻量卷积神经网络的雷达目标识别方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN103854016B (zh) | 基于方向性共同发生特征的人体行为分类识别方法及系统 | |
CN105488519B (zh) | 一种基于视频尺度信息的视频分类方法 | |
CN108764096B (zh) | 一种行人重识别系统和方法 | |
CN109190513A (zh) | 结合图像显著性检测和神经网络的车辆重识别方法与系统 | |
CN105243376A (zh) | 一种活体检测方法和装置 | |
CN112800967B (zh) | 一种姿态驱动的遮挡行人重识别方法 | |
CN110309810B (zh) | 一种基于批次中心相似度的行人重识别方法 | |
CN111199212B (zh) | 基于注意力模型的行人属性识别方法 | |
CN105787466A (zh) | 一种车辆类型的精细识别方法及系统 | |
CN115841683B (zh) | 一种联合多级特征的轻量行人重识别方法 | |
CN109886242A (zh) | 一种行人重识别的方法及系统 | |
CN107369291A (zh) | 基于深度学习的高压线路防外力破坏预警系统及方法 | |
Symeonidis et al. | Neural attention-driven non-maximum suppression for person detection | |
CN109359530B (zh) | 一种智能视频监控方法及装置 | |
Huo et al. | 3DVSD: An end-to-end 3D convolutional object detection network for video smoke detection | |
CN113177439A (zh) | 一种行人翻越马路护栏检测方法 | |
CN108520539A (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
CN105678265B (zh) | 基于流形学习的数据降维方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190730 |