CN110135295A - 一种基于迁移学习的无监督行人重识别方法 - Google Patents
一种基于迁移学习的无监督行人重识别方法 Download PDFInfo
- Publication number
- CN110135295A CN110135295A CN201910355739.7A CN201910355739A CN110135295A CN 110135295 A CN110135295 A CN 110135295A CN 201910355739 A CN201910355739 A CN 201910355739A CN 110135295 A CN110135295 A CN 110135295A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- label
- distance
- model
- feature
- 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
- G06F18/24—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
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
Abstract
本发明公开了一种基于迁移学习的无监督行人重识别方法,包括如下步骤:1)在带标签的源数据集上预训练CNN模型,采用交叉熵损失和三元度量损失作为目标优化函数;2)提取无标签的目标数据集行人特征;3)结合候选列距离和绝对距离计算特征相似度矩阵;4)对相似度矩阵进行密度聚类,为每个距离小于预设阈值的特征集合设置一个标签,重组成带标签的目标数据集;5)在重组数据集上训练CNN模型至收敛;6)以预设迭代次数重复步骤2)‑5);7)将测试图片输入模型提取特征,根据特征相似度进行排序得到结果。本发明合理运用源领域有标签数据和目标领域无标签数据,在目标领域上提高行人重识别的准确率,降低对有标签数据的强依赖性。
Description
技术领域
本发明涉及人工智能及安防监控领域,具体涉及一种基于迁移学习的无监督行人重识别方法。
背景技术
随着城市人口的不断增长,社会公共安全问题越来越受到人们的重视,当前在许多公共场所都覆盖有大规模的摄像头网络,为监控安防提供了重要的设施基础。为了增强摄像头网络的安防水平质量,行人重识别技术在人员搜寻上也得到了广泛的关注。当前行人重识别方法主要通过基于特定场景下大量带标签的视频图像数据训练一个稳定可靠的模型,这类监督学习方法忽略了在实际应用中系统对新场景的适应性,并且依赖于大量带标签的行人数据,而标签工作往往需要耗费大量的人力和物力,不利于系统的部署。此外由于行人图像都存在光照变化,视角姿势变化与遮挡等诸多挑战,仅仅利用无标签的数据进行无监督学习也难以达到令人满意的性能。
近年来,随着迁移学习研究的深入和发展,通过迁移带标签的源数据集的已有知识解决无标签的目标数据集的学习问题,实现了较高的识别准确率。但当前迁移学习主要解决不同数据域存在共同类别的问题,行人重识别在不同场景往往不存在相同的行人,故难以直接应用于解决行人重识别问题。因此如何利用旧场景的带标签行人数据以及新场景下的无标签行人数据进行迁移学习实现在新场景下的高识别准确率是目前亟待解决的问题。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于迁移学习的无监督行人重识别方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于迁移学习的无监督行人重识别方法,所述的无监督行人重识别方法包括如下步骤:
S1、在带标签的源数据集上预训练CNN模型,采用交叉熵损失和三元度量损失作为目标优化函数,训练CNN模型至收敛;
S2、采用预训练的CNN模型提取无标签的目标数据集的行人特征;
S3、结合候选列距离和绝对距离计算行人的特征相似度矩阵;
S4、对相似度矩阵进行密度聚类,输出距离小于预设阈值的特征集合,每个特征集合设置为一个标签,重组成带标签的目标数据集;
S5、在带标签的目标数据集上训练CNN模型至模型收敛;
S6、以预设迭代次数重复步骤S2-S5;
S7、将目标测试集图片输入训练好的CNN模型提取特征,根据特征相似度进行排序得到行人重识别结果,进而实现无监督的行人重识别方法。
进一步地,所述的步骤S1包括:
S1.1、选定CNN模型为Resnet模型,在Resnet模型的分类器前增加一层全连接层,修改分类器的类别数目为源数据集中行人的身份个数;
S1.2、带标签的源数据集Ns为源数据集图片总数,输入到Resnet模型进行前向传播输出行人特征;
S1.3、记模型输入的锚点样本为正样本为负样本为记f(I)为网络全局池化层的输出特征,三元度量损失和交叉熵损失分别表示为:
其中θ为模型的参数,m为模型收敛时负样本对之间距离与正样本对之间距离的目标差值,pi为输入图像经过模型分类后的概率值,将目标优化函数表示为:
Ltotal(θ)=Ltri(θ)+Lentropy(θ)
通过最小化目标函数Ltotal(θ),迭代优化CNN模型至收敛。
进一步地,所述的步骤S2中提取的行人特征为目标数据集输入到CNN模型在全局池化层得到的输出特征,其中,Nt为目标数据集图片总数。
进一步地,所述的步骤S3包括:
S3.1、采用欧式距离Deu计算行人特征的绝对距离;
S3.2、利用行人的邻近成员信息计算行人的相似度,定义为候选列距离,对应任意两个行人A、B,定义RA、RB分别为行人A、B的匹配候选列,对于行人A而言,A与B的候选列距离表示为:
其中fA(i)为行人A的候选列中的第i个行人,RA(B)为行人B在行人A的候选列中的索引,RB(fA(i))为行人A的候选列中的第i个行人在行人B的候选列中的索引,同理对于行人B而言,B与A的候选列距离表示为DR(B,A),进一步对称和归一化候选列距离为:
S3.3、通过绝对距离和候选列距离的组合表示行人的特征相似度矩阵:
其中γ为比例参数。
进一步地,所述的步骤S4中对相似度矩阵采用具有噪声的基于密度的空间聚类算法DBSCAN进行聚类,对满足阈值的特征集合设置伪标签,只将设置伪标签的行人数据构建成新的目标数据集。
进一步地,所述的步骤S5中CNN模型采用步骤S2中预训练的CNN模型并去除分类器,分别取模型全局池化层和全连接层的输出特征计算三元度量损失,最小化损失函数迭代优化CNN模型至收敛。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明通过在带标签的源数据集上预训练CNN模型,迁移至无标签的行人数据集,提高模型对目标数据集中行人判别性特征的学习能力;
(2)本发明通过结合候选列距离和绝对距离构建行人的相似度矩阵,降低复杂场景行人特征相似度的误差,有效地提高行人检索匹配的准确率;
(3)本发明通过DBSCAN聚类算法对目标数据集行人特征聚类和标签估计,基于伪标签进行监督学习,重复迭代训练网络至收敛,实现了逼近于带标签数据监督学习的性能,提高对新场景的适应性。
附图说明
图1是本发明公开的基于迁移学习的无监督行人重识别方法的流程图;
图2是本发明公开的基于迁移学习的无监督行人重识别方法中网络模型结构图;
图3是本发明公开的基于迁移学习的无监督行人重识别方法中迭代训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
如图1所示,本实施例公开了一种基于迁移学习的无监督行人重识别方法,该方法依次包括下列步骤:(1)源数据集模型预训练;(2)目标数据集特征提取与度量;(3)密度聚类与标签估计;(4)目标数据集的迭代训练。
(1)源数据集模型预训练
如图2所示,选定CNN模型为Resnet模型,在Resnet模型的分类器前增加一层2048维的全连接层,修改分类器的类别数目为源数据集中行人的身份个数。
带标签的源数据集(Ns为源数据集图片总数)输入到Resnet模型进行前向传播,在全连接层输出2048维的行人特征,采用交叉熵损失和三元度量损失作为目标优化函数,训练模型至收敛。
记模型输入的锚点样本为正样本为负样本为记f(I)为网络全局池化层的输出特征,三元度量损失和交叉熵损失分别表示为:
其中θ为模型的参数,pi为输入图像经过模型分类后的概率值,m为模型收敛时负样本对之间距离与正样本对之间距离的目标差值,本发明取m=0.5。
目标优化函数表示为:
Ltotal(θ)=Ltri(θ)+Lentropy(θ)
通过最小化目标函数Ltotal(θ),迭代优化模型至收敛。
(2)目标数据集特征提取与度量
将目标数据集(Nt为目标数据集图片总数)输入到预训练的CNN模型,提取在全局池化层的输出特征。
首先采用欧式距离Deu计算行人特征的绝对距离。然后利用行人的邻近成员信息计算行人的相似度,定义为候选列距离。任意两个行人A、B,定义RA、RB分别为行人A、B的匹配候选列,对于行人A而言,A与B的候选列距离表示为:
其中fA(i)为行人A的候选列中的第i个行人,RA(B)为行人B在行人A的候选列中的索引,RB(fA(i))为行人A的候选列中的第i个行人在行人B的候选列中的索引,同理对于行人B而言,B与A的候选列距离表示为DR(B,A)。
对称和归一化候选列距离:
通过绝对距离和候选列距离的组合表示行人的特征相似度矩阵:
其中γ为比例参数,本发明取γ=0.5。
(3)密度聚类与标签估计
对相似度矩阵采用具有噪声的基于密度的空间聚类算法DBSCAN进行密度聚类,输出距离小于预设阈值的特征集合,每个特征集合设置为一个标签,只将设置伪标签的行人数据构建成新的目标数据集。
(4)目标数据集的迭代训练
目标数据集的迭代训练过程如图3所示,去除图2网络模型的分类器,分别取模型全局池化层和全连接层的输出特征计算三元度量损失,最小化损失函数迭代优化模型至收敛。在本发明中预设迭代次数设置为50次,重新进行(2)至(4)共50次,逐渐提升网络判别性特征提取能力的同时逐渐增加目标数据集被打上标签的样本数,从而逐渐提高网络对目标数据集的表征学习能力。
(5)在目标测试集的行人检索
将目标测试集图片输入训练好的CNN模型提取特征,根据特征相似度进行排序得到行人重识别结果,进而实现无监督的行人重识别方法。
综上所述,本实施例公开了一种基于迁移学习的无监督行人重识别方法,该方法通过在带标签的源数据集上预训练CNN模型,迁移至无标签的行人数据集,提高模型对目标数据集中行人判别性特征的学习能力。该方法通过结合候选列距离和绝对距离构建行人的相似度矩阵,降低复杂场景行人特征相似度的误差,有效地提高行人检索匹配的准确率。此外,通过DBSCAN聚类算法对目标数据集行人特征聚类和标签估计,基于伪标签进行监督学习,重复迭代训练网络至收敛,实现了逼近于带标签数据监督学习的性能,提高对新场景的适应性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于迁移学习的无监督行人重识别方法,其特征在于,所述的无监督行人重识别方法包括如下步骤:
S1、在带标签的源数据集上预训练CNN模型,采用交叉熵损失和三元度量损失作为目标优化函数,训练CNN模型至收敛;
S2、采用预训练的CNN模型提取无标签的目标数据集的行人特征;
S3、结合候选列距离和绝对距离计算行人的特征相似度矩阵;
S4、对相似度矩阵进行密度聚类,输出距离小于预设阈值的特征集合,每个特征集合设置为一个标签,重组成带标签的目标数据集;
S5、在带标签的目标数据集上训练CNN模型至模型收敛;
S6、以预设迭代次数重复步骤S2-S5;
S7、将目标测试集图片输入训练好的CNN模型提取特征,根据特征相似度进行排序得到行人重识别结果,进而实现无监督的行人重识别方法。
2.根据权利要求1所述的一种基于迁移学习的无监督行人重识别方法,其特征在于,所述的步骤S1包括:
S1.1、选定CNN模型为Resnet模型,在Resnet模型的分类器前增加一层全连接层,修改分类器的类别数目为源数据集中行人的身份个数;
S1.2、带标签的源数据集Ns为源数据集图片总数,输入到Resnet模型进行前向传播输出行人特征;
S1.3、记模型输入的锚点样本为正样本为负样本为记f(I)为网络全局池化层的输出特征,三元度量损失和交叉熵损失分别表示为:
其中θ为模型的参数,m为模型收敛时负样本对之间距离与正样本对之间距离的目标差值,pi为输入图像经过模型分类后的概率值,将目标优化函数表示为:
Ltotal(θ)=Ltri(θ)+Lentropy(θ)
通过最小化目标函数Ltotal(θ),迭代优化CNN模型至收敛。
3.根据权利要求1所述的一种基于迁移学习的无监督行人重识别方法,其特征在于,所述的步骤S2中提取的行人特征为目标数据集输入到CNN模型在全局池化层得到的输出特征,其中,Nt为目标数据集图片总数。
4.根据权利要求1所述的一种基于迁移学习的无监督行人重识别方法,其特征在于,所述的步骤S3包括:
S3.1、采用欧式距离Deu计算行人特征的绝对距离;
S3.2、利用行人的邻近成员信息计算行人的相似度,定义为候选列距离,对应任意两个行人A、B,定义RA、RB分别为行人A、B的匹配候选列,对于行人A而言,A与B的候选列距离表示为:
其中fA(i)为行人A的候选列中的第i个行人,RA(B)为行人B在行人A的候选列中的索引,RB(fA(i))为行人A的候选列中的第i个行人在行人B的候选列中的索引,同理对于行人B而言,B与A的候选列距离表示为DR(B,A),对称和归一化候选列距离为:
S3.3、通过绝对距离和候选列距离的组合表示行人的特征相似度矩阵:
其中γ为比例参数。
5.根据权利要求1所述的一种基于迁移学习的无监督行人重识别方法,其特征在于,所述的步骤S4中对相似度矩阵采用具有噪声的基于密度的空间聚类算法DBSCAN进行聚类,对满足阈值的特征集合设置伪标签,只将设置伪标签的行人数据构建成新的目标数据集。
6.根据权利要求1所述的一种基于迁移学习的无监督行人重识别方法,其特征在于,所述的步骤S5中CNN模型采用步骤S2中预训练的CNN模型并去除分类器,分别取模型全局池化层和全连接层的输出特征计算三元度量损失,最小化损失函数迭代优化CNN模型至收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355739.7A CN110135295A (zh) | 2019-04-29 | 2019-04-29 | 一种基于迁移学习的无监督行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355739.7A CN110135295A (zh) | 2019-04-29 | 2019-04-29 | 一种基于迁移学习的无监督行人重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135295A true CN110135295A (zh) | 2019-08-16 |
Family
ID=67575767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910355739.7A Pending CN110135295A (zh) | 2019-04-29 | 2019-04-29 | 一种基于迁移学习的无监督行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135295A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929679A (zh) * | 2019-12-05 | 2020-03-27 | 杭州电子科技大学 | 一种基于gan的无监督自适应行人重识别方法 |
CN111027421A (zh) * | 2019-11-26 | 2020-04-17 | 西安宏规电子科技有限公司 | 一种基于图的直推式半监督行人再识别方法 |
CN111209935A (zh) * | 2019-12-26 | 2020-05-29 | 武汉安视感知科技有限公司 | 基于自适应域转移的无监督目标检测方法及系统 |
CN111476168A (zh) * | 2020-04-08 | 2020-07-31 | 山东师范大学 | 一种基于三阶段的跨域行人重识别方法和系统 |
CN111476600A (zh) * | 2020-03-23 | 2020-07-31 | 浙江新再灵科技股份有限公司 | 直梯广告受众人数统计分析方法 |
CN111523592A (zh) * | 2020-04-21 | 2020-08-11 | 易拍全球(北京)科贸有限公司 | 一种基于深度学习的文物艺术品领域图像相似度度量算法 |
CN111598004A (zh) * | 2020-05-18 | 2020-08-28 | 北京星闪世图科技有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
CN111597887A (zh) * | 2020-04-08 | 2020-08-28 | 北京大学 | 一种行人再识别方法及系统 |
CN111639561A (zh) * | 2020-05-17 | 2020-09-08 | 西北工业大学 | 基于类别自适应聚类的无监督行人重识别方法 |
CN111695526A (zh) * | 2020-06-15 | 2020-09-22 | 北京爱笔科技有限公司 | 网络模型生成方法、行人重识别方法及装置 |
CN111695531A (zh) * | 2020-06-16 | 2020-09-22 | 天津师范大学 | 一种基于异构卷积网络的跨域行人再识别方法 |
CN111723645A (zh) * | 2020-04-24 | 2020-09-29 | 浙江大学 | 用于同相机内有监督场景的多相机高精度行人重识别方法 |
CN111740991A (zh) * | 2020-06-19 | 2020-10-02 | 上海仪电(集团)有限公司中央研究院 | 一种异常检测方法及系统 |
CN111967294A (zh) * | 2020-06-23 | 2020-11-20 | 南昌大学 | 一种无监督域自适应的行人重识别方法 |
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 |
CN112052819A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 一种行人重识别方法、装置、设备及存储介质 |
CN112052818A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 无监督域适应的行人检测方法、系统及存储介质 |
CN112149740A (zh) * | 2020-09-25 | 2020-12-29 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、存储介质及设备 |
CN112183728A (zh) * | 2020-09-29 | 2021-01-05 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
CN112257553A (zh) * | 2020-10-20 | 2021-01-22 | 大连理工大学 | 一种基于循环矩阵的行人重识别方法 |
CN112507901A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
CN112507893A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于边缘计算的分布式无监督行人重识别方法 |
CN112784883A (zh) * | 2021-01-07 | 2021-05-11 | 厦门大学 | 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统 |
CN112819065A (zh) * | 2021-01-28 | 2021-05-18 | 广东工业大学 | 基于多重聚类信息的无监督行人难样本挖掘方法和系统 |
WO2021164100A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550703A (zh) * | 2015-12-09 | 2016-05-04 | 华南理工大学 | 一种适用于人体再识别的图片相似度计算方法 |
CN105574504A (zh) * | 2015-12-16 | 2016-05-11 | 华南理工大学 | 一种适用于运动自行车再识别的相似性度量计算方法 |
CN106778527A (zh) * | 2016-11-28 | 2017-05-31 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN107153817A (zh) * | 2017-04-29 | 2017-09-12 | 深圳市深网视界科技有限公司 | 行人重识别数据标注方法和装置 |
CN107832711A (zh) * | 2017-11-13 | 2018-03-23 | 常州大学 | 一种基于迁移学习的行人重识别方法 |
CN108596010A (zh) * | 2017-12-31 | 2018-09-28 | 厦门大学 | 行人重识别系统的实现方法 |
CN108764269A (zh) * | 2018-04-03 | 2018-11-06 | 华南理工大学 | 一种基于时空约束增量学习的跨数据集行人再识别方法 |
CN109086672A (zh) * | 2018-07-05 | 2018-12-25 | 襄阳矩子智能科技有限公司 | 一种基于强化学习自适应分块的行人再识别方法 |
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109543775A (zh) * | 2018-12-18 | 2019-03-29 | 贵州联科卫信科技有限公司 | 一种基于密度聚类的面向聚类算法的特征选择方法 |
CN109635708A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 |
AU2017279658A1 (en) * | 2017-12-20 | 2019-07-04 | Canon Kabushiki Kaisha | Pose-aligned descriptor for person re-id with geometric and orientation information |
-
2019
- 2019-04-29 CN CN201910355739.7A patent/CN110135295A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550703A (zh) * | 2015-12-09 | 2016-05-04 | 华南理工大学 | 一种适用于人体再识别的图片相似度计算方法 |
CN105574504A (zh) * | 2015-12-16 | 2016-05-11 | 华南理工大学 | 一种适用于运动自行车再识别的相似性度量计算方法 |
CN106778527A (zh) * | 2016-11-28 | 2017-05-31 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN107153817A (zh) * | 2017-04-29 | 2017-09-12 | 深圳市深网视界科技有限公司 | 行人重识别数据标注方法和装置 |
CN107832711A (zh) * | 2017-11-13 | 2018-03-23 | 常州大学 | 一种基于迁移学习的行人重识别方法 |
AU2017279658A1 (en) * | 2017-12-20 | 2019-07-04 | Canon Kabushiki Kaisha | Pose-aligned descriptor for person re-id with geometric and orientation information |
CN108596010A (zh) * | 2017-12-31 | 2018-09-28 | 厦门大学 | 行人重识别系统的实现方法 |
CN108764269A (zh) * | 2018-04-03 | 2018-11-06 | 华南理工大学 | 一种基于时空约束增量学习的跨数据集行人再识别方法 |
CN109086672A (zh) * | 2018-07-05 | 2018-12-25 | 襄阳矩子智能科技有限公司 | 一种基于强化学习自适应分块的行人再识别方法 |
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
CN109635708A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 |
CN109543775A (zh) * | 2018-12-18 | 2019-03-29 | 贵州联科卫信科技有限公司 | 一种基于密度聚类的面向聚类算法的特征选择方法 |
Non-Patent Citations (3)
Title |
---|
ZHU JIE等: "A Multi-loss Deep Network Based on Pyramid Pooling for Person Re-identification", 《IEEE XPLORE》 * |
ZIHAO HU等: "Person Re-Identification with Hybrid Loss and Hard Triplets Mining", 《2018 IEEE FOURTH INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA (BIGMM)》 * |
杨卫华等: "《眼科人工智能》", 27 February 2018 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027421A (zh) * | 2019-11-26 | 2020-04-17 | 西安宏规电子科技有限公司 | 一种基于图的直推式半监督行人再识别方法 |
CN110929679A (zh) * | 2019-12-05 | 2020-03-27 | 杭州电子科技大学 | 一种基于gan的无监督自适应行人重识别方法 |
CN111209935A (zh) * | 2019-12-26 | 2020-05-29 | 武汉安视感知科技有限公司 | 基于自适应域转移的无监督目标检测方法及系统 |
WO2021164100A1 (zh) * | 2020-02-18 | 2021-08-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
JP2022524254A (ja) * | 2020-02-18 | 2022-05-02 | シェンチェン センスタイム テクノロジー カンパニー リミテッド | 画像処理方法及び装置、電子機器並びに記憶媒体 |
JP7114811B2 (ja) | 2020-02-18 | 2022-08-08 | シェンチェン センスタイム テクノロジー カンパニー リミテッド | 画像処理方法及び装置、電子機器並びに記憶媒体 |
CN111476600B (zh) * | 2020-03-23 | 2023-09-19 | 浙江新再灵科技股份有限公司 | 直梯广告受众人数统计分析方法 |
CN111476600A (zh) * | 2020-03-23 | 2020-07-31 | 浙江新再灵科技股份有限公司 | 直梯广告受众人数统计分析方法 |
CN111476168A (zh) * | 2020-04-08 | 2020-07-31 | 山东师范大学 | 一种基于三阶段的跨域行人重识别方法和系统 |
CN111597887A (zh) * | 2020-04-08 | 2020-08-28 | 北京大学 | 一种行人再识别方法及系统 |
CN111476168B (zh) * | 2020-04-08 | 2022-06-21 | 山东师范大学 | 一种基于三阶段的跨域行人重识别方法和系统 |
CN111597887B (zh) * | 2020-04-08 | 2023-02-03 | 北京大学 | 一种行人再识别方法及系统 |
CN111523592A (zh) * | 2020-04-21 | 2020-08-11 | 易拍全球(北京)科贸有限公司 | 一种基于深度学习的文物艺术品领域图像相似度度量算法 |
CN111523592B (zh) * | 2020-04-21 | 2023-05-09 | 易元数字(北京)科技集团有限公司 | 一种基于深度学习的文物艺术品领域图像相似度度量方法 |
CN111723645B (zh) * | 2020-04-24 | 2023-04-18 | 浙江大学 | 用于同相机内有监督场景的多相机高精度行人重识别方法 |
CN111723645A (zh) * | 2020-04-24 | 2020-09-29 | 浙江大学 | 用于同相机内有监督场景的多相机高精度行人重识别方法 |
CN111639561A (zh) * | 2020-05-17 | 2020-09-08 | 西北工业大学 | 基于类别自适应聚类的无监督行人重识别方法 |
CN111598004B (zh) * | 2020-05-18 | 2023-12-08 | 江苏星闪世图科技(集团)有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
CN111598004A (zh) * | 2020-05-18 | 2020-08-28 | 北京星闪世图科技有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
CN111695526B (zh) * | 2020-06-15 | 2023-10-13 | 北京爱笔科技有限公司 | 网络模型生成方法、行人重识别方法及装置 |
CN111695526A (zh) * | 2020-06-15 | 2020-09-22 | 北京爱笔科技有限公司 | 网络模型生成方法、行人重识别方法及装置 |
CN111695531A (zh) * | 2020-06-16 | 2020-09-22 | 天津师范大学 | 一种基于异构卷积网络的跨域行人再识别方法 |
CN111695531B (zh) * | 2020-06-16 | 2023-05-23 | 天津师范大学 | 一种基于异构卷积网络的跨域行人再识别方法 |
CN111740991A (zh) * | 2020-06-19 | 2020-10-02 | 上海仪电(集团)有限公司中央研究院 | 一种异常检测方法及系统 |
CN111740991B (zh) * | 2020-06-19 | 2022-08-09 | 上海仪电(集团)有限公司中央研究院 | 一种异常检测方法及系统 |
CN111967294A (zh) * | 2020-06-23 | 2020-11-20 | 南昌大学 | 一种无监督域自适应的行人重识别方法 |
CN111967294B (zh) * | 2020-06-23 | 2022-05-20 | 南昌大学 | 一种无监督域自适应的行人重识别方法 |
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 |
CN112052818A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 无监督域适应的行人检测方法、系统及存储介质 |
CN112052818B (zh) * | 2020-09-15 | 2024-03-22 | 浙江智慧视频安防创新中心有限公司 | 无监督域适应的行人检测方法、系统及存储介质 |
CN112052819A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 一种行人重识别方法、装置、设备及存储介质 |
CN112149740B (zh) * | 2020-09-25 | 2021-12-28 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、存储介质及设备 |
CN112149740A (zh) * | 2020-09-25 | 2020-12-29 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、存储介质及设备 |
CN112183728A (zh) * | 2020-09-29 | 2021-01-05 | 上海松鼠课堂人工智能科技有限公司 | 基于深度学习的学习策略生成方法和系统 |
CN112257553A (zh) * | 2020-10-20 | 2021-01-22 | 大连理工大学 | 一种基于循环矩阵的行人重识别方法 |
CN112507901B (zh) * | 2020-12-14 | 2022-05-24 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
CN112507901A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
CN112507893A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于边缘计算的分布式无监督行人重识别方法 |
CN112784883A (zh) * | 2021-01-07 | 2021-05-11 | 厦门大学 | 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统 |
CN112819065A (zh) * | 2021-01-28 | 2021-05-18 | 广东工业大学 | 基于多重聚类信息的无监督行人难样本挖掘方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135295A (zh) | 一种基于迁移学习的无监督行人重识别方法 | |
CN110781838B (zh) | 一种复杂场景下行人的多模态轨迹预测方法 | |
CN111666843B (zh) | 一种基于全局特征和局部特征拼接的行人重识别方法 | |
CN110110642B (zh) | 一种基于多通道注意力特征的行人重识别方法 | |
Li et al. | Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks | |
CN105022835B (zh) | 一种群智感知大数据公共安全识别方法及系统 | |
CN110111340A (zh) | 基于多路割的弱监督实例分割方法 | |
CN112507901B (zh) | 一种基于伪标签自纠正的无监督行人重识别方法 | |
CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
CN109711463A (zh) | 基于注意力的重要对象检测方法 | |
CN111507217A (zh) | 一种基于局部分辨特征融合的行人重识别方法 | |
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 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN108416295A (zh) | 一种基于局部嵌入深度特征的行人再识别方法 | |
CN111339849A (zh) | 一种融合行人属性的行人重识别的方法 | |
CN113297906B (zh) | 一种基于知识蒸馏的行人重识别模型压缩方法及评价方法 | |
CN109784288B (zh) | 一种基于判别感知融合的行人再识别方法 | |
CN112927266B (zh) | 基于不确定性引导训练的弱监督时域动作定位方法及系统 | |
CN116682144B (zh) | 一种基于多层次跨模态差异调和的多模态行人重识别方法 | |
CN112712052A (zh) | 一种机场全景视频中微弱目标的检测识别方法 | |
CN107832753B (zh) | 一种基于四值权重与多重分类的人脸特征提取方法 | |
Xiong et al. | RGB-D scene recognition via spatial-related multi-modal feature learning | |
CN115841683A (zh) | 一种联合多级特征的轻量行人重识别方法 | |
CN116310647A (zh) | 一种基于增量学习的劳保物品目标检测方法及系统 |
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: 20190816 |