CN110188611A - 一种引入视觉注意力机制的行人重识别方法及系统 - Google Patents

一种引入视觉注意力机制的行人重识别方法及系统 Download PDF

Info

Publication number
CN110188611A
CN110188611A CN201910342896.4A CN201910342896A CN110188611A CN 110188611 A CN110188611 A CN 110188611A CN 201910342896 A CN201910342896 A CN 201910342896A CN 110188611 A CN110188611 A CN 110188611A
Authority
CN
China
Prior art keywords
network
module
image
feature
pedestrian
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
Application number
CN201910342896.4A
Other languages
English (en)
Inventor
韩守东
罗善益
刘婉莹
黄飘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910342896.4A priority Critical patent/CN110188611A/zh
Publication of CN110188611A publication Critical patent/CN110188611A/zh
Pending legal-status Critical Current

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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

本发明公开了一种引入视觉注意力机制的行人重识别方法及系统，包括对监控图像进行预处理得到训练数据集；利用训练数据集对完成预训练的Resnet‑50网络进行训练得到引入视觉注意力机制的Resnet‑50网络；利用引入视觉注意力机制的Resnet‑50网络对待测图像进行行人重识别。系统包括采集模块，用于采集经过预处理的监控图像得到训练网络的数据集；骨干网络模块，用于提取特征；视觉注意力模块，用于筛选特征；识别模块，用于获得训练好的网络对待测图像的识别结果。本发明提供的行人重识别系统不增加分支网络，通过改善主干网络模型，提高网络特征提取能力，采用的多级特征融合模式，可以有效的利用不同层次的特征，减少信息的丢失，提高特征的利用率，提供了行人重识别的准确率。

Description

一种引入视觉注意力机制的行人重识别方法及系统
技术领域
本发明属于机器视觉领域，更具体地，涉及一种引入视觉注意力机制的行人重识别方法及系统。
背景技术
行人重识别是自动视频监控中的一项基本任务，也是近年来的研究热点。行人重识别的目的是从一台相机中拍摄的图片或视频给定一个查询行人，从另一台相机拍摄的图片或者视频中去识别出这个人。
行人重识别是一个非常困难的研究问题，因为在不同的摄像机下，一个人的外貌存在着视觉模糊和时空不确定性，这些困难往往是由于低分辨率的图像或者质量不太好的视频中含有大量不相关的信息，这些信息在行人重新识别的过程中没有任何作用，甚至可能对行人的重新识别造成干扰。
实际的行人重识别研究工作中主要有三部分组成：特征提取即行人对象的外观特征表示，距离度量即行人间的相似性比较和排序优化即对最终排序结果的优化。近十年深度学习在行人重识别的研究中也取得了很好的成功，但大部分深度学习模型都在主干网络上增加很多分支用来提取不同维度的特征，这些模型往往都很复杂且参数量很大，适用性不太好。当前如何在真实监控视频场景中提取出具有鲁棒性和判别性的特征描述子是一个巨大挑战。
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引入视觉注意力机制的行人重识别方法及系统，旨在解决现有行人重识别方法准确率低的问题。
为实现上述目的，按照本发明的一个方面，提供了一种引入视觉注意力机制的行人重识别方法，包括：
对监控图像进行预处理得到训练数据集；
利用训练数据集对完成预训练的Resnet-50网络进行训练得到引入视觉注意力机制的Resnet-50网络；
利用引入视觉注意力机制的Resnet-50网络对待测图像进行行人重识别。
优选地，对监控图像进行预处理，将输入图像先转换成128*256固定大小的图片，对数据集进行随机水平翻转、扩张图像随机剪裁得到统一大小的数据集。
优选地，预训练包括利用ImageNet数据集对Resnet-50网络进行训练，预设网络参数初始值。
优选地，利用所述训练数据集对完成预训练的Resnet-50网络进行训练，利用amsgrad算法更新网络参数，进行优化升级。
优选地，利用引入视觉注意力机制的Resnet-50网络对待测图像进行行人重识别包括提取待测图像的特征和图库图像的特征，计算待测图像与图库图像的特征距离，特征距离最近的图库图像即为与待测图像所指相同的行人目标。
按照本发明的另一个方面，提供了一种基于引入视觉注意力的行人重识别方法的系统，包括：
采集模块，用于采集经过预处理的监控图像得到训练网络的数据集；
骨干网络模块，用于提取特征；
视觉注意力模块，用于筛选特征，得到具有代表性的特征；
识别模块，用于获得训练好的网络对待测图像的识别结果。
优选地，将Resnet-50网络分成四个阶段，在第一阶段、第二阶段、第三阶段结束之后分别第一视觉注意力模块、第二视觉注意力模块、第三视觉注意力模块。第一视觉注意力模块、第二视觉注意力模块和第三视觉注意力模块均包括空间注意力单元和通道注意力单元，特征分别输入到空间注意力单元和通道注意力单元中，分别提取得到输入的空间注意力特征图和通道注意力特征图，两个特征图相乘之后经过一个CNN模块，经过sigmoid激活函数之后得到最终的特征。对于第四阶段，将这部分分成三层网络，将每一层网络提取出的特征输出，第一层与第二层的特征融合之后，经过一个全连接层后，将得到的新特征与第三层网络输出的特征融合，输出为最终的特征。
本发明主要针对特征提取这个步骤，在一般CNN的特征提取网络中加入了视觉注意力模块，视觉注意力模块的关键点在于，这种注意力更关注区域特征或者通道特征，视觉注意力是一种确定性的注意力，学习完成后直接可以通过网络生成，最关键的是视觉注意力是可微的。可以微分的注意力就可以通过神经网络算出梯度并且通过前向传播和后向反馈来学习得到注意力的权重。
本发明提供的行人重识别系统不增加分支网络，通过改善主干网络模型，提高网络特征提取能力，提供了行人重识别的准确率。
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、本发明在一般的特征提取网络中引入视觉注意力模块，可以选取出对行人重识别更加有用的特征，增加不同对象之间的区别和减小相同对象之间的区别，提高了网络特征提取能力；
2、本发明在特征提取网络的最后一个阶段中增加了多级特征融合模式，可以有效的利用不同层次的特征，减少信息的丢失，提高特征的利用率，提高行人重识别的准确率。
附图说明
图1是本发明实施例提供的一种引入视觉注意力机制的行人重识方法的流程示意图；
图2是本发明实施例提供的一种行人重识系统的视觉注意力模块的结构框图；
图3是本发明实施例提供的一种引入视觉注意力机制的行人重识方法的效果示意图。
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不构成冲突就可以相互组合。
如图1所示，本发明实施例提供了一种引入视觉注意力机制的行人重识别方法，包括：
对监控图像进行预处理得到训练数据集；
利用训练数据集对完成预训练的Resnet-50网络进行训练得到引入视觉注意力机制的Resnet-50网络；
利用引入视觉注意力机制的Resnet-50网络对待测图像进行行人重识别。
具体地，预训练包括利用ImageNet数据集对Resnet-50网络进行训练，预设网络参数初始值，Resnet-50网络采用损失函数来计算网络预测值与真实值的差距，这里网络采用的损失函数为交叉熵函数，交叉熵函数公式为：
其中t为真实值，y为网络预测值。
利用amsgrad算法更新网络参数，公式如下：
其中β1，β2为可设置参数，表示损失函数关于θt的梯度，θt为要更新的参数，ε表示一个无限小的数，防止分母为0，η表示学习率，mt和vt初始值都设为0。预训练好的Resnet-50网络具有较好的特征提取能力。
具体地，对数据集进行预处理，将输入图像先转换成128*256固定大小的图片，利用随机数生成函数产生一个0～1之间的随机数，如果该随机数大于设置的概率，则对图片进行翻转、裁剪操作。水平翻转是将图像以中轴线翻转，裁剪操作首先将图像扩展为原来的1.125倍，然后在扩展的图像中裁剪出一个和原图大小相同的图像。
具体地，利用完成预训练的Resnet-50网络参数去初始化引入视觉注意力机制的Resnt-50网络参数，在行人重识别训练数据集上对网络进行训练，利用amsgrad算法更新网络参数，进行优化升级，设置amsgrad算法中的β1＝0.9，β2＝0.999，设置批处理图像大小为32，迭代次数为60。网络采用的损失函数为交叉熵函数。
具体地，利用完成训练的引入视觉注意力机制的Resnet-50网络对待测图像进行行人重识别包括提取待测图像的特征和图库图像的特征，计算待测图像与图库图像的距离，距离最近的即为与待测图像所指相同的行人目标。距离计算采用余弦距离，余弦距离计算公式为：
其中q，p代表两个特征，qi和pi是特征向量q，p中的元素。
优选地，将Resnet-50网络分成四个阶段，在第一阶段、第二阶段、第三阶段结束之后分别第一视觉注意力模块、第二视觉注意力模块、第三视觉注意力模块。第一视觉注意力模块、第二视觉注意力模块和第三视觉注意力模块均包括空间注意力单元和通道注意力单元，特征分别输入到空间注意力单元和通道注意力单元中，分别提取得到输入的空间注意力特征图和通道注意力特征图，两个特征图相乘之后经过一个CNN模块，经过sigmoid激活函数之后得到最终的特征，如图2所示，空间注意力单元由一个池化层和两个CNN模块组成；通道注意力单元先对输入特征在通道维度上求均值，再先后经过一个CNN模块、一个上采样模块、一个CNN模块。对于第四阶段，将这部分分成三层网络，将每一层网络提取出的特征输出，第一层与第二层的特征融合之后，经过一个4096-1024的全连接层后，将得到的1024维新特征与第三层网络输出的特征融合，输出为最终的特征。
图3为本发明实施例提供的一种引入视觉注意力机制的行人重识方法的效果示意图，从图中可以看出，每经过一个阶段，特征大小变成输入的一半，特征数量的变为输入的两倍，在第四阶段内部特征大小和数量均不发生变化。
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)

1.一种引入视觉注意力机制的行人重识别方法，其特征在于，包括：
对监控图像进行预处理得到训练数据集；
利用所述训练数据集对完成预训练的Resnet-50网络进行训练得到引入视觉注意力机制的Resnet-50网络；
利用所述引入视觉注意力机制的Resnet-50网络对待测图像进行行人重识别。
2.如权利要求1所述的方法，其特征在于，所述对监控图像进行预处理包括对数据集进行随机水平翻转、扩张图像随机剪裁得到统一大小的训练数据集。
3.如权利要求1所述的方法，其特征在于，所述预训练包括利用ImageNet数据集对Resnet-50网络进行训练，得到网络参数的初始值。
4.如权利要求1所述的方法，其特征在于，所述利用所述训练数据集对完成预训练的Resnet-50网络进行训练包括利用amsgrad算法更新网络参数。
5.如权利要求1所述的方法，其特征在于，所述利用所述引入视觉注意力机制的Resnet-50网络对待测图像进行行人重识别包括通过引入视觉注意力机制提取待测图像的特征和图库图像的特征，计算待测图像与图库图像的特征距离，特征距离最近的图库图像即为与待测图像所指相同的行人目标。
6.一种引入视觉注意力机制的行人重识别的系统，其特征在于，包括：
采集模块，用于采集经过预处理的监控图像得到训练网络的数据集；
骨干网络模块，用于提取特征；
视觉注意力模块，用于筛选特征；
识别模块，用于获得训练好的网络对待测图像的识别结果。
7.如权利要求6所述的系统，其特征在于，所述骨干网络模块分为第一阶段、第二阶段、第三阶段和第四阶段；第四阶段分为第一层、第二层和第三层；
所述视觉注意力模块包括第一视觉注意力模块、第二视觉注意力模块和第三视觉注意力模块，所述第一视觉注意力模块、第二视觉注意力模块和第三视觉注意力模块均包括空间注意力单元和通道注意力单元；
所述第一视觉注意力模块与所述骨干网络模块的第一阶段连接，特征融合后输入到所述骨干网络模块的第二阶段，所述第二视觉注意力模块与所述骨干网络模块的第二阶段连接，特征融合后输入到所述骨干网络模块的第三阶段，所述第三视觉注意力模块与所述骨干网络模块的第三阶段连接，特征融合后输入到所述骨干网络模块的第四阶段，所述骨干网络模块的第四阶段的三个阶段的特征依次融合输出最终的特征。
CN201910342896.4A 2019-04-26 2019-04-26 一种引入视觉注意力机制的行人重识别方法及系统 Pending CN110188611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910342896.4A CN110188611A (zh) 2019-04-26 2019-04-26 一种引入视觉注意力机制的行人重识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910342896.4A CN110188611A (zh) 2019-04-26 2019-04-26 一种引入视觉注意力机制的行人重识别方法及系统

Publications (1)

Publication Number Publication Date
CN110188611A true CN110188611A (zh) 2019-08-30

Family

ID=67715129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910342896.4A Pending CN110188611A (zh) 2019-04-26 2019-04-26 一种引入视觉注意力机制的行人重识别方法及系统

Country Status (1)

Country Link
CN (1) CN110188611A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110751018A (zh) * 2019-09-03 2020-02-04 上海交通大学 一种基于混合注意力机制的群组行人重识别方法
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
CN110807434A (zh) * 2019-11-06 2020-02-18 威海若维信息科技有限公司 一种基于人体解析粗细粒度结合的行人重识别系统及方法
CN110807752A (zh) * 2019-09-23 2020-02-18 江苏艾佳家居用品有限公司 一种基于卷积神经网络的图像注意力机制处理方法
CN111160297A (zh) * 2019-12-31 2020-05-15 武汉大学 基于残差注意机制时空联合模型的行人重识别方法及装置
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
CN111242176A (zh) * 2019-12-31 2020-06-05 北京迈格威科技有限公司 计算机视觉任务的处理方法、装置及电子系统
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
CN111310633A (zh) * 2020-02-10 2020-06-19 江南大学 基于视频的并行时空注意力行人重识别方法
CN111368815A (zh) * 2020-05-28 2020-07-03 之江实验室 一种基于多部件自注意力机制的行人重识别方法
CN111539370A (zh) * 2020-04-30 2020-08-14 华中科技大学 一种基于多注意力联合学习的图像行人重识别方法和系统
CN111553205A (zh) * 2020-04-12 2020-08-18 西安电子科技大学 无车牌信息车辆重识别方法、系统、介质、视频监控系统
CN111738259A (zh) * 2020-06-29 2020-10-02 广东电网有限责任公司 一种杆塔状态检测方法及装置
CN112115879A (zh) * 2020-09-21 2020-12-22 中科人工智能创新技术研究院(青岛)有限公司 一种遮挡敏感的自监督行人重识别方法及系统
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
CN112784648A (zh) * 2019-11-07 2021-05-11 中国科学技术大学 一种优化视频行人重识别系统特征提取的方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN109598225A (zh) * 2018-11-29 2019-04-09 浙江大学 尖锐注意力网络、神经网络及行人再识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN109598225A (zh) * 2018-11-29 2019-04-09 浙江大学 尖锐注意力网络、神经网络及行人再识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG FU等: "STA: Spatial-Temporal Attention for Large-Scale Video-based Person Re-Identification", 《ARXIV:1811.04129V1》 *
杨新雨: "基于监控场景的行人重识别方法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751018A (zh) * 2019-09-03 2020-02-04 上海交通大学 一种基于混合注意力机制的群组行人重识别方法
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
CN110807752A (zh) * 2019-09-23 2020-02-18 江苏艾佳家居用品有限公司 一种基于卷积神经网络的图像注意力机制处理方法
CN110807752B (zh) * 2019-09-23 2022-07-08 江苏艾佳家居用品有限公司 一种基于卷积神经网络的图像注意力机制处理方法
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
CN110807434A (zh) * 2019-11-06 2020-02-18 威海若维信息科技有限公司 一种基于人体解析粗细粒度结合的行人重识别系统及方法
CN110807434B (zh) * 2019-11-06 2023-08-15 威海若维信息科技有限公司 一种基于人体解析粗细粒度结合的行人重识别系统及方法
CN112784648B (zh) * 2019-11-07 2022-09-06 中国科学技术大学 一种优化视频行人重识别系统特征提取的方法及装置
CN112784648A (zh) * 2019-11-07 2021-05-11 中国科学技术大学 一种优化视频行人重识别系统特征提取的方法及装置
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
CN111242176A (zh) * 2019-12-31 2020-06-05 北京迈格威科技有限公司 计算机视觉任务的处理方法、装置及电子系统
CN111160297B (zh) * 2019-12-31 2022-05-13 武汉大学 基于残差注意机制时空联合模型的行人重识别方法及装置
CN111242176B (zh) * 2019-12-31 2023-10-13 北京迈格威科技有限公司 计算机视觉任务的处理方法、装置及电子系统
CN111160297A (zh) * 2019-12-31 2020-05-15 武汉大学 基于残差注意机制时空联合模型的行人重识别方法及装置
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
CN111310633B (zh) * 2020-02-10 2023-05-05 江南大学 基于视频的并行时空注意力行人重识别方法
CN111310633A (zh) * 2020-02-10 2020-06-19 江南大学 基于视频的并行时空注意力行人重识别方法
CN111553205B (zh) * 2020-04-12 2022-11-15 西安电子科技大学 无车牌信息车辆重识别方法、系统、介质、视频监控系统
CN111553205A (zh) * 2020-04-12 2020-08-18 西安电子科技大学 无车牌信息车辆重识别方法、系统、介质、视频监控系统
CN111539370B (zh) * 2020-04-30 2022-03-15 华中科技大学 一种基于多注意力联合学习的图像行人重识别方法和系统
CN111539370A (zh) * 2020-04-30 2020-08-14 华中科技大学 一种基于多注意力联合学习的图像行人重识别方法和系统
CN111368815A (zh) * 2020-05-28 2020-07-03 之江实验室 一种基于多部件自注意力机制的行人重识别方法
CN111368815B (zh) * 2020-05-28 2020-09-04 之江实验室 一种基于多部件自注意力机制的行人重识别方法
CN111738259A (zh) * 2020-06-29 2020-10-02 广东电网有限责任公司 一种杆塔状态检测方法及装置
CN112115879A (zh) * 2020-09-21 2020-12-22 中科人工智能创新技术研究院(青岛)有限公司 一种遮挡敏感的自监督行人重识别方法及系统
CN112115879B (zh) * 2020-09-21 2024-03-08 中科人工智能创新技术研究院(青岛)有限公司 一种遮挡敏感的自监督行人重识别方法及系统
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

Similar Documents

Publication Publication Date Title
CN110188611A (zh) 一种引入视觉注意力机制的行人重识别方法及系统
CN111062973B (zh) 基于目标特征敏感性和深度学习的车辆跟踪方法
Li et al. Building-a-nets: Robust building extraction from high-resolution remote sensing images with adversarial networks
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
CN104217214B (zh) 基于可配置卷积神经网络的rgb‑d人物行为识别方法
CN108537191B (zh) 一种基于结构光摄像头的三维人脸识别方法
CN114241517B (zh) 基于图像生成和共享学习网络的跨模态行人重识别方法
CN111767882A (zh) 一种基于改进yolo模型的多模态行人检测方法
CN108304873A (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
CN108319957A (zh) 一种基于超点图的大规模点云语义分割方法
CN104063686B (zh) 作物叶部病害图像交互式诊断系统与方法
CN108416266A (zh) 一种利用光流提取运动目标的视频行为快速识别方法
CN105427313B (zh) 基于反卷积网络和自适应推理网络的sar图像分割方法
CN110826428A (zh) 一种高速的sar图像中船只检测方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN108197669B (zh) 卷积神经网络的特征训练方法及装置
CN104376334B (zh) 一种多尺度特征融合的行人比对方法
CN110263768A (zh) 一种基于深度残差网络的人脸识别方法
CN110363770A (zh) 一种边缘引导式红外语义分割模型的训练方法及装置
CN112052771B (zh) 一种对象重识别方法及装置
CN112818790A (zh) 一种基于注意力机制与空间几何约束的行人重识别方法
CN110321801B (zh) 一种基于自编码网络的换衣行人重识别方法及系统
CN107463954A (zh) 一种模糊异谱图像的模板匹配识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830

RJ01 Rejection of invention patent application after publication