CN110188835A - 基于生成式对抗网络模型的数据增强行人再识别方法 - Google Patents
基于生成式对抗网络模型的数据增强行人再识别方法 Download PDFInfo
- Publication number
- CN110188835A CN110188835A CN201910483958.3A CN201910483958A CN110188835A CN 110188835 A CN110188835 A CN 110188835A CN 201910483958 A CN201910483958 A CN 201910483958A CN 110188835 A CN110188835 A CN 110188835A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- star
- camera
- true
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法,包括使用Mask‑RCNN图像分割算法分割出图像中行人的掩膜图像;结合掩膜图像和手工标注行人属性,训练一个端到端的改进星形生成式对抗网络,从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像;使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像;将真实图像和假训练图像一起送入行人再识别模型,计算行人图像间距离并完成行人再识别功能。本发明设计合理,利用生成式对抗网络生成更多的训练样本,同时生成的图像背景能够有效地表示相对应摄像头下的真实场景,有效提高行人再识别模型的鲁棒性和判决能力,有效提高了行人再识别的准确率。
Description
技术领域
本发明属于计算机视觉技术领域,尤其是一种基于生成式对抗网络模型的数据增强行人再识别方法。
背景技术
近年来,安防摄像机网络已经遍布城市的各个区域,随之而来的是海量视频数据的存储。然而,由于人工分析大量的视频内容费时费力,因此行人再识别技术作为智能视频监控中的重要组成部分,得到了全世界研究人员的关注。
行人再识别技术是指是利用计算机视觉技术在非重叠的多摄像头系统中匹配不同场景的特定行人技术。由于摄像机所处环境的变化和行人的非刚性运动,例如亮度变化、姿势变化、遮挡以及背景聚类等问题的存在,使得行人再识别技术仍然面临着诸多困难和挑战。
随着深度学习在各个计算机视觉任务的广泛应用,基于深度学习的行人再识别技术在各大公开数据集取得了优异的性能。然而,现有的深度学习模型仍然存在缺陷:实际场景当中,行人的图像数量是及其庞大的,其场景变化是多种多样的,但是,现有的公开数据集其数据集尺寸相对较小,且仅仅在几个特定的摄像头下采集行人图像。此外,现有的数据集由于其采集所用摄像头数量相对较少,因而其内部的环境变化比较固定,很难符合真实场景。所以,现有的基于深度学习的行人再识别模型在利用公开数据集进行训练过程中很容易产生过拟合。因此,如何提高基于深度学习的行人再识别模型的泛化能力、缓解其过拟合是迫切需要解决的问题。
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识别准确率高的基于生成式对抗网络模型的数据增强行人再识别方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于生成式对抗网络模型的数据增强行人再识别方法,包括以下步骤:
步骤1、使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像;
步骤2、结合掩膜图像和手工标注行人属性,训练一个端到端的改进星形生成式对抗网络,从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像,使得生成图像的前景不变,背景与对应摄像头一致;
步骤3、使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像;
步骤4、将真实图像和步骤3生成的假训练图像一起送入行人再识别模型,计算行人图像间距离并完成行人再识别功能。
所述步骤1的具体实现方法为:首先构造一张与行人图像尺度大小一致的像素值全为0的全黑图像;然后使用Mask-RCNN检测图像中属于行人的像素;最后,将对应位置的像素点大小设置为255,生成行人图像掩膜图像。
所述步骤2中端到端的改进星形生成式对抗网络包括一对多的改进星形图像生成器和一对多的改进图像判别器。
所述一对多的改进星形图像生成器具体实现方法包括以下步骤:
⑴构建一对多星形图像生成器,并与改进星形图像判别器联合训练,输入真实图像与目标相机域标签,将真实图像中的行人转换至目标相机域中,建立如下星形图像生成器目标函数:
其中,Ladv为对抗损失,为生成器相机域分类损失,Lrec为重建损失,为λcls和λrec分别为和Lrec的参数;
⑵将真实图像和假训练图像分别和对应行人图像掩膜图像相乘,得到去除背景的真实行人图像与假行人图像,建立如下生成器掩膜目标函数:
其中,G(Ix,ctrg)表示由真实图像Ix转换到ctrg相机域的假训练图像,M(Ix)表示真实行人图像的掩膜,⊙表示对应位置像素值相乘;
⑶将生成器模型与判别器模型联合训练,通过判别器模型得到行人属性预测标签,对比对应真实图像的行人属性标签Ax,建立如下生成器模型行人属性目标函数:
⑷建立如下改进星形图像生成器的总体目标函数:
其中,λmask和λattr分别是Lmask和的参数。
⑸对一对多的改进星形图像生成器的总体目标函数使用Adagrad方法进行优化更新。
所述一对多的改进图像判别器具体实现方法包括以下步骤:
⑴构建星形图像判别器,建立如下总体目标函数:
其中,为判别器的相机域分类损失,为判别器属性分类损失,具体为:
⑵对改进星形图像判别器的总体目标函数使用Adagrad方法进行优化更新。
所述步骤3中所有真实图像对应的所有相机域的假训练图像包括数据集中与当前真实图像所属相同相机域的假训练图像以及与当前真实图像所属不同相机域的假训练图像。
所述步骤4中行人匹配模型是以DenseNet121为基础网络框架,并结合随机擦除以及重排序方法的行人再识别模型。
本发明的优点和积极效果是:
本发明设计合理,其使用一对多改进星形生成式对抗网络模型对相机域到相机域的行人图像数据增强,在保持行人图像前景行人外观特征不变的情况下,改变行人图像中的背景,能够有效地去除行人图像中背景干扰,获得行人更强的特征表示;并且,使用行人掩膜目标函数与行人属性目标函数,有效地保留了行人特征,使假训练图像行人边界更加清晰,假训练图像更接近真实场景。同时,使用DenseNet121作为基础网络,结合随机擦除以及重排序等方法的行人再识别模型,用真实图像与假训练图像联合训练,有效提高了行人再识别的准确率。
附图说明
图1是本发明的改进星形生成式对抗网络算法网络框架图;
图2是以DenseNet121为基础网络框架的行人再识别框架图;
图3是采用改进星形生成式对抗网络生成的假训练图像样例。
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。
一种基于生成式对抗网络模型的数据增强行人再识别方法,如图1所示,包括以下步骤:
步骤S1、用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像。
本步骤使用Mask-RCNN分割图像中的行人,具体分割方法:首先构造一张与行人图像尺度大小一致的像素值全为0的全黑图像;然后用Mask-RCNN检测图像中属于行人的像素,对应位置的像素点大小设置为255,生成行人图像掩膜图像。
步骤S2、结合掩膜图像和手工标注行人属性,训练一个端到端的改进星形生成式对抗网络,从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像,能够使得生成图像的前景不变,背景与对应摄像头一致。
本步骤的具体实现方法为:
步骤S2.1、构建一对多星形图像生成器,与改进星形图像判别器联合训练,输入真实图像与目标相机域标签,将真实图像中的行人转换至目标相机域中,建立如下星形图像生成器目标函数:
其中,Ladv为对抗损失,为生成器相机域分类损失,Lrec为重建损失,为λcls和λrec分别为和Lrec的参数。
步骤S2.2、真实图像和假训练图像分别和对应掩膜相乘,得到去除背景的真实行人图像与假行人图像,建立如下生成器掩膜目标函数:
其中,G(Ix,ctrg)表示由真实图像Ix转换到ctrg相机域的假训练图像,M(Ix)表示真实行人图像的掩膜,⊙表示对应位置像素值相乘。
步骤S2.3、生成器模型与判别器模型联合训练,通过判别器模型得到行人属性预测标签,对比对应真实图像的行人属性标签Ax,建立如下生成器模型行人属性目标函数:
步骤S2.4、建立如下改进星形图像生成器的总体目标函数:
其中,λmask和λattr分别是Lmask和的参数。
步骤S2.5、对一对多改进星形图像生成器的总体目标函数使用Adagrad方法进行优化更新。
步骤S2.6、构建星形图像判别器,建立如下总体目标函数:
其中,为判别器的相机域分类损失,为判别器属性分类损失,具体为:
步骤S2.7、对改进星形图像判别器的总体目标函数使用Adagrad方法进行优化更新。
步骤S3、用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像。
在本步骤中,所有真实图像对应的所有相机域的假训练图像包括数据集中与当前真实图像所属相同相机域的假训练图像以及与当前真实图像所属不同相机域的假训练图像。采用改进星形生成式对抗网络生成的假训练图像样例如图3所示。
步骤S4、把真实图像和假训练图像一起送入行人再识别模型,计算行人图像间距离。
在本步骤中,行人再识别模型指的是以DenseNet121为基础网络框架(如图2所示),其结合随机擦除以及重排序等方法的行人再识别模型。网络训练完成后,使用Rank-1与mAP衡量其性能。
下面按照本发明的方法进行实验,说明本发明的效果。
测试环境:python3.6;PyTorch框架;Ubuntu16.04系统;NVIDIA GTX 1080Ti GPU
测试序列:所选数据集是用于行人再识别的图像序列数据集Market-1501和DukeMTMC-reID。
测试指标:本发明使用了Rank-1和(Mean Average Precision)mAP作为评价指标,Rank-1指标表示首位命中率,mAP指标表示平均精度均值。测试结果如表1和表2所示,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,证明本发明在行人再识别领域得到较好的结果。
测试结果如下:
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
通过以上对比数据可以看出,本发明的rank-1与mAP与现有算法相比有明显的提高。
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)
1.一种基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于包括以下步骤:
步骤1、使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像;
步骤2、结合掩膜图像和手工标注行人属性,训练一个端到端的改进星形生成式对抗网络,从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像,使得生成图像的前景不变,背景与对应摄像头一致;
步骤3、使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像;
步骤4、将真实图像和步骤3生成的假训练图像一起送入行人再识别模型,计算行人图像间距离并完成行人再识别功能。
2.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于:所述步骤1的具体实现方法为:首先构造一张与行人图像尺度大小一致的像素值全为0的全黑图像;然后使用Mask-RCNN检测图像中属于行人的像素;最后,将对应位置的像素点大小设置为255,生成行人图像掩膜图像。
3.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于:所述步骤2中端到端的改进星形生成式对抗网络包括一对多的改进星形图像生成器和一对多的改进图像判别器。
4.根据权利要求3所述的基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于:所述一对多的改进星形图像生成器具体实现方法包括以下步骤:
⑴构建一对多星形图像生成器,并与改进星形图像判别器联合训练,输入真实图像与目标相机域标签,将真实图像中的行人转换至目标相机域中,建立如下星形图像生成器目标函数:
其中,Ladv为对抗损失,为生成器相机域分类损失,Lrec为重建损失,为λcls和λrec分别为和Lrec的参数;
⑵将真实图像和假训练图像分别和对应行人图像掩膜图像相乘,得到去除背景的真实行人图像与假行人图像,建立如下生成器掩膜目标函数:
其中,G(Ix,ctrg)表示由真实图像Ix转换到ctrg相机域的假训练图像,M(Ix)表示真实行人图像的掩膜,⊙表示对应位置像素值相乘;
⑶将生成器模型与判别器模型联合训练,通过判别器模型得到行人属性预测标签,对比对应真实图像的行人属性标签Ax,建立如下生成器模型行人属性目标函数:
⑷建立如下改进星形图像生成器的总体目标函数:
其中,λmask和λattr分别是Lmask和的参数。
⑸对一对多的改进星形图像生成器的总体目标函数使用Adagrad方法进行优化更新。
5.根据权利要求3所述的基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于:所述一对多的改进图像判别器具体实现方法包括以下步骤:
⑴构建星形图像判别器,建立如下总体目标函数:
其中,为判别器的相机域分类损失,为判别器属性分类损失,具体为:
⑵对改进星形图像判别器的总体目标函数使用Adagrad方法进行优化更新。
6.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于:所述步骤3中所有真实图像对应的所有相机域的假训练图像包括数据集中与当前真实图像所属相同相机域的假训练图像以及与当前真实图像所属不同相机域的假训练图像。
7.根据权利要求1所述的基于生成式对抗网络模型的数据增强行人再识别方法,其特征在于:所述步骤4中行人再识别模型是以DenseNet121为基础网络框架,并结合随机擦除以及重排序方法的行人再识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910483958.3A CN110188835B (zh) | 2019-06-05 | 2019-06-05 | 基于生成式对抗网络模型的数据增强行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910483958.3A CN110188835B (zh) | 2019-06-05 | 2019-06-05 | 基于生成式对抗网络模型的数据增强行人再识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188835A true CN110188835A (zh) | 2019-08-30 |
CN110188835B CN110188835B (zh) | 2021-03-16 |
Family
ID=67720225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910483958.3A Expired - Fee Related CN110188835B (zh) | 2019-06-05 | 2019-06-05 | 基于生成式对抗网络模型的数据增强行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188835B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781976A (zh) * | 2019-10-31 | 2020-02-11 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN110991636A (zh) * | 2019-11-14 | 2020-04-10 | 东软医疗系统股份有限公司 | 生成式对抗网络的训练方法及装置、图像增强方法及设备 |
CN111027455A (zh) * | 2019-12-06 | 2020-04-17 | 重庆紫光华山智安科技有限公司 | 行人特征提取方法、装置、电子设备及存储介质 |
CN111126155A (zh) * | 2019-11-25 | 2020-05-08 | 天津师范大学 | 一种基于语义约束生成对抗网络的行人再识别方法 |
CN111401253A (zh) * | 2020-03-17 | 2020-07-10 | 吉林建筑大学 | 一种基于深度学习的目标检测方法 |
CN112132133A (zh) * | 2020-06-16 | 2020-12-25 | 杭州中科睿鉴科技有限公司 | 标识图像数据增强方法及真伪智能鉴定方法 |
CN112446398A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像分类方法以及装置 |
CN113221757A (zh) * | 2021-05-14 | 2021-08-06 | 上海交通大学 | 一种改善行人属性识别准确率的方法、终端及介质 |
WO2021258955A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 目标图像中的对象轮廓的标注方法及装置、存储介质和电子装置 |
CN115147871A (zh) * | 2022-07-19 | 2022-10-04 | 北京龙智数科科技服务有限公司 | 遮挡环境下行人再识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN108492281A (zh) * | 2018-03-06 | 2018-09-04 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN109145736A (zh) * | 2018-07-18 | 2019-01-04 | 南京行者易智能交通科技有限公司 | 一种基于视频分析的地铁站点行人逆向行走的检测方法 |
-
2019
- 2019-06-05 CN CN201910483958.3A patent/CN110188835B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN108492281A (zh) * | 2018-03-06 | 2018-09-04 | 陕西师范大学 | 一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法 |
CN109145736A (zh) * | 2018-07-18 | 2019-01-04 | 南京行者易智能交通科技有限公司 | 一种基于视频分析的地铁站点行人逆向行走的检测方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446398A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像分类方法以及装置 |
CN110781976A (zh) * | 2019-10-31 | 2020-02-11 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN110781976B (zh) * | 2019-10-31 | 2021-01-05 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN110991636A (zh) * | 2019-11-14 | 2020-04-10 | 东软医疗系统股份有限公司 | 生成式对抗网络的训练方法及装置、图像增强方法及设备 |
CN110991636B (zh) * | 2019-11-14 | 2023-07-04 | 东软医疗系统股份有限公司 | 生成式对抗网络的训练方法及装置、图像增强方法及设备 |
CN111126155B (zh) * | 2019-11-25 | 2023-04-21 | 天津师范大学 | 一种基于语义约束生成对抗网络的行人再识别方法 |
CN111126155A (zh) * | 2019-11-25 | 2020-05-08 | 天津师范大学 | 一种基于语义约束生成对抗网络的行人再识别方法 |
CN111027455A (zh) * | 2019-12-06 | 2020-04-17 | 重庆紫光华山智安科技有限公司 | 行人特征提取方法、装置、电子设备及存储介质 |
CN111027455B (zh) * | 2019-12-06 | 2021-01-26 | 重庆紫光华山智安科技有限公司 | 行人特征提取方法、装置、电子设备及存储介质 |
CN111401253A (zh) * | 2020-03-17 | 2020-07-10 | 吉林建筑大学 | 一种基于深度学习的目标检测方法 |
CN111401253B (zh) * | 2020-03-17 | 2022-09-13 | 吉林建筑大学 | 一种基于深度学习的目标检测方法 |
CN112132133A (zh) * | 2020-06-16 | 2020-12-25 | 杭州中科睿鉴科技有限公司 | 标识图像数据增强方法及真伪智能鉴定方法 |
CN112132133B (zh) * | 2020-06-16 | 2023-11-17 | 中国科学院计算技术研究所数字经济产业研究院 | 标识图像数据增强方法及真伪智能鉴定方法 |
WO2021258955A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 目标图像中的对象轮廓的标注方法及装置、存储介质和电子装置 |
CN113221757A (zh) * | 2021-05-14 | 2021-08-06 | 上海交通大学 | 一种改善行人属性识别准确率的方法、终端及介质 |
CN115147871A (zh) * | 2022-07-19 | 2022-10-04 | 北京龙智数科科技服务有限公司 | 遮挡环境下行人再识别方法 |
CN115147871B (zh) * | 2022-07-19 | 2024-06-11 | 北京龙智数科科技服务有限公司 | 遮挡环境下行人再识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188835B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188835A (zh) | 基于生成式对抗网络模型的数据增强行人再识别方法 | |
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
CN106845357B (zh) | 一种基于多通道网络的视频人脸检测和识别方法 | |
CN107423698B (zh) | 一种基于并联卷积神经网络的手势估计方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
CN103186775B (zh) | 基于混合描述子的人体运动识别方法 | |
CN109218619A (zh) | 图像获取方法、装置和系统 | |
CN106960210B (zh) | 目标检测的方法和装置 | |
CN104794737B (zh) | 一种深度信息辅助粒子滤波跟踪方法 | |
CN110084304A (zh) | 一种基于合成数据集的目标检测方法 | |
CN108154102A (zh) | 一种道路交通标志识别方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN108280411A (zh) | 一种具有空间变换能力的行人搜索方法 | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN109002761A (zh) | 一种基于深度卷积神经网络的行人重识别监控系统 | |
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 | |
CN110516707B (zh) | 一种图像标注方法及其装置、存储介质 | |
CN108876818A (zh) | 一种基于似物性和相关滤波的目标跟踪方法 | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
WO2024060978A1 (zh) | 关键点检测模型训练及虚拟角色驱动的方法和装置 | |
CN104978583B (zh) | 人物动作的识别方法及装置 | |
CN104463962B (zh) | 基于gps信息视频的三维场景重建方法 | |
CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN104915641B (zh) | 基于android平台获取人脸图像光源方位的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |