CN110334743B - 一种基于卷积长短时记忆网络的渐进迁移学习方法 - Google Patents

一种基于卷积长短时记忆网络的渐进迁移学习方法 Download PDF

Info

Publication number
CN110334743B
CN110334743B CN201910496327.5A CN201910496327A CN110334743B CN 110334743 B CN110334743 B CN 110334743B CN 201910496327 A CN201910496327 A CN 201910496327A CN 110334743 B CN110334743 B CN 110334743B
Authority
CN
China
Prior art keywords
network
batch
convolution
model
training
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.)
Active
Application number
CN201910496327.5A
Other languages
English (en)
Other versions
CN110334743A (zh
Inventor
余正旭
蔡登�
金仲明
魏龙
黄建强
华先胜
何晓飞
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910496327.5A priority Critical patent/CN110334743B/zh
Publication of CN110334743A publication Critical patent/CN110334743A/zh
Application granted granted Critical
Publication of CN110334743B publication Critical patent/CN110334743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。

Description

一种基于卷积长短时记忆网络的渐进迁移学习方法
技术领域
本发明属于计算机视觉技术领域，尤其是涉及一种基于卷积长短时记忆网络的渐进迁移学习方法。
背景技术
行人重识别问题旨在利用目标人物照片作为输入检索出该目标人物在其他时间点、不同摄像头下被拍摄到的历史记录。行人重识别系统因其广泛的应用，如无人超市、目标人物追踪与分析、搜寻遗失老人及小孩等，在现实生活中有着丰富的应用场景。因此，行人重识别问题近年来在计算机视觉领域引起了广泛的关注。
由于真实的应用场景内存在剧烈的照明变化、行人姿态的变化、摄像机角度变化、遮挡、着装变化等差异性变化，使得行人重识别问题具有挑战性。如何在存在大量环境变化的情况下学习判别性的特征表达是行人重识别人物的基本问题之一。早期的主流行人重识别方法，如Shengcai Liao等人发表在2015年《Proceedings of the IEEE conference oncomputer vision and pattern recognition》的论文《Person Re-identification byLocal Maximal Occurrence Representation and Metric Learning》，通过人工获取的特征来解决行人重识别问题。这些方法中的大部分集中在底层的信息上，如人穿的衣服颜色和纹理信息等。当光照条件发生较大变化或人们更换衣服时，这些底层的特征将会变得十分不可靠。
近年来，随着深度学习方法的兴起以及大规模数据集如CUHK03、Market-1501、MSMT17等的公布，使行人重识别技术得到了繁荣发展。比较突出是利用深度卷积网络自动学习身份敏感和视点不敏感的行人特征进行重新识别的基于分类或排序模型的方法，如Wei Li等人发表在2014年《Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition》的《DeepReID:Deep Filter Pairing Neural Network forPerson Re-Identification》以及Liang Zheng等人发表在2017年《Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition》的论文《Person Re-identification in the Wild》。
尽管基于深度神经卷积网络的方法取得了显著的进展，但一些关键问题仍然没有得到足够的重视，并且阻碍了行人重识别方法的产品化。
首先，行人重识别场景具有差异性的环境特征，因此现有的公开数据集间存在较大差异。这一差异导致在其他数据集上训练得到特征提取模型不能直接在新场景中使用，使得在每一个新场景下都需要标注大量的训练样本，通过使用这些训练样本对预训练的特征提取模型进行微调。
其次，目前深度神经卷积网络多使用mini-batch的批训练方式。而该训练方式存在一个缺陷，即每个随机采样的mini-batch内部的数据分布与训练数据集整体存在差异，这使得模型在新场景中进行微调时不能获得很好的微调效果。
发明内容
本发明提供了一种基于卷积长短时记忆网络的渐进迁移学习方法，以减轻由mini-batch数据分布与整体数据分布偏置导致的预训练模型在新数据集上微调效果不佳的问题，进而提升模型的行人重识别准确度。
本发明的技术方案如下：
一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：
(1)选择经过预训练后的基础网络模型；
(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；
所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；
(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；
(4)训练结束，对训练得到的模型进行行人重识别应用。
本发明通过使用BConv-Cell组成旁枝网络，与预训练的基础网络模型相结合共同训练。通过使用BConv-Cell中收集的数据集整体信息，在梯度反向传播过程中修正批数据的梯度估计，从而缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
步骤(1)中，所述的基础网络模型可以为目前大部分的卷积神经网络模型，例如DenseNet、ResNet、MGN或AlexNet。
步骤(2)中，所述批相关卷积单元用于在进行特征提取的同时收集数据集的整体特征，具体步骤为：
(2-1)批数据输入批相关卷积单元后，首先通过一个卷积层提取特征；
(2-2)将提取的到的特征进行类似于长短时记忆网络的门运算，得到输入批数据的整体特征；
(2-3)得到的整体特征在下一个批数据到来时用于步骤(2-2)中的门运算。
批相关卷积单元(BConv-Cell)的关键公式为：
ib＝σ(Wxi*xb+bi)
fb＝σ(Wxf*xb+bf)
Cb＝fbοCb-1+ibοtanh(Wxc*xb+bc)
ob＝σ(Wxo*xb+bo)
yb＝obοtanh(Cb)
其中，ib,fb,ob分别是第b批数据作为输入时的输入门控单元、遗忘门控单元和输出门控单元的输出，xb是第b批数据，Cb是收集得到的整体信息，Wxi,Wxf,Wxc,Wxo是对应的门的权值矩阵，yb是批相关卷积单元最终的输出，σ(*)是非线性激活函数，在本发明中使用的是sigmoid函数，tanh(*)代表Tanh激活函数，bi,bf,bc,bo是对应的偏置值。
为了可以在保持模型参数量与结构不变的同时获得与渐进迁移学习网络(PTL)相当的效果，步骤(3)结束后，使用训练好的渐进迁移学习网络作为老师模型，使用经过预训练后的基础网络作为学生模型，训练过程使用随机梯度下降算法和改进的模型蒸馏损失函数，并将训练后的学生模型作为步骤(4)中的模型进行行人重识别应用。
上述方法称为模型蒸馏方法，在学习老师模型输出的同时加入了CrossEntropyLoss修正学生模型以获得更好的效果，所述改进的模型蒸馏损失函数为：
Ldisill＝(1-λ)LCE+λLl1
其中，LCE表示学生模型输出与真值之间的交叉熵损失函数(CrossEntropy Loss)，Ll1为学生模型输出与老师模型输出的平均绝对误差(L1 loss)，λ控制两个loss比例的超参，在使用中经验性的选择为0.8，具有较好的训练效果。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过使用BConv-Cell组成旁枝网络，与预训练的基础网络模型相结合共同训练。通过使用BConv-Cell中收集的数据集整体信息，在梯度反向传播过程中修正批数据的梯度估计，从而缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题
2、本方法只需使用新场景中的少量已标注训练数据通过模型微调的方式即可提高预训练模型在新场景中的效果。
附图说明
图1为本发明一种基于卷积长短时记忆网络的渐进迁移学习方法的流程示意图；
图2为本发明实施例中渐进式迁移网络的结构示意图；
图3为本发明实施例中BConv-Cell的结构示意图；
图4为本发明实施例中提出的模型蒸馏方法的示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：
S01，选择经过预训练后的基础网络框架。
基础网络框架可以替换为目前大部分的卷积神经网络框架，例如DenseNet、ResNet、MGN、AlexNet等等。本实施例中的基础网络的模型参数是预先在较大的图像分类数据集(如ImageNet)上预训练得到的。
S02，基于批相关卷积单元构建一个旁枝网络，旁枝网络和基础网络结合构成渐进迁移学习网络(简称为PTL)。
如图2所示，旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中。图2中，BConv-Cell表示本发明中提出的批相关卷积单元，1x1Conv表示卷积和大小为1的卷积网络层，Conv-block表示预训练网络中的由多个卷积层组成的卷积块，Feature vector表示最终网络提取得到的特征向量。黑色虚线框Backbone表示最初的预训练网络，红色虚线框Block pair表示一个神经网络层级结构，该结构由批相关卷积单元(BConv-Cell)和卷积核大小为1的卷积网络层(1x1Conv)和预训练网络中的由多个卷积层组成的卷积块(Conv-block)组成。另外，图2中Input
Figure GDA0002841708810000051
表示输入图片，
Figure GDA0002841708810000052
表示预训练网络中第i个卷积块的输出，
Figure GDA0002841708810000053
表示第i个批卷积单元的输出，
Figure GDA0002841708810000054
表示第i个批相关卷积单元在训练完第b批数据后汇聚得到的整体特征。
批相关卷积单元(BConv-Cell)的结构如图3所示。BConv-Cell改编自卷积长短时网络，可以在进行特征提取的同时收集数据集的整体信息。具体步骤如下：
1.批数据输入BConv-Cell后，首先通过一个卷积层提取特征；
2.对提取得到的特征进行类似于长短时记忆网络的门运算，得到输入批数据的整体特征，其中
Figure GDA0002841708810000061
分别表示四个门限单元，即遗忘门、输入门、状态门、输出门，·表示哈德曼乘积，+表示向量相加；
3.收集得到的整体特征会在下一个批数据到来时用于门步骤2中的门运算。同时，BConv-Cell的输出yb被上一个批数据中收集得到的整体特征(Cb-1)影响修正。
BConv-Cell的关键公式如下：
ib＝σ(Wxi*xb+bi)
fb＝σ(Wxf*xb+bf)
Cb＝fbοCb-1+ibοtanh(Wxc*xb+bc)
ob＝σ(Wxo*xb+bo)
yb＝obοtanh(Cb)
其中ib,fb,ob分别是第b批数据作为输入时的输入门控单元、遗忘门控单元和输出门控单元的输出，xb是第b批数据，Cb是收集得到的整体信息，Wxi,Wxf,Wxc,Wxo是对应的门的权值矩阵，yb是BConv-Cell最终的输出，σ(*)是非线性激活函数，在本发明中使用的是sigmoid函数，tanh(*)代表Tanh激活函数，bi,bf,bc,bo是对应的偏置值。
S03，对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和CrossEntropy Loss损失函数；
通过使用BConv-Cell中收集的数据集整体信息，在梯度反向传播过程中修正批数据的梯度估计，从而缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。本方法中的渐进指的是该方法是随着批数据的逐步输入进行的。
S04，训练结束，对训练得到的模型进行行人重识别应用。训练完成后的模型用于提取目标行人图片的特征，在历史图片库中进行检索，得出最相似的检索结果。
为了可以在保持模型参数量与结构不变的同时获得与渐进迁移学习网络(PTL)相当的效果，本发明提出来了一种模型蒸馏方法，通过使用该模型蒸馏方法，可以在保持模型参数量与结构不变的同时获得与PTL网络相当的效果，如图4所示，在步骤S03结束后，使用训练好的渐进迁移学习网络作为老师模型(Teacher model)，使用经过预训练后的基础网络作为学生模型(Student model)，训练过程使用随机梯度下降算法和改进的模型蒸馏损失函数，并将训练后的学生模型作为步骤S04中的模型进行行人重识别应用。
为验证本发明方法的有效性，本发明在四个具有说服力的行人重识别任务公开数据集Market-1501、DukeMTMC-reID、MSMT17和CUHK03上与其他目前最前沿的行人重识别系统进行对比：
(1)Market-1501数据集中共有1501个ID，总共有32668张人工标注的图片。在该数据集上，本发明与DML、HA-CNN、PCB+RPP、MGN、ResNet、DenseNet共六个目前最前沿的方法进行了比较。
(2)DukeMTMC-reID数据集具有1404个ID共36411张图片，其中702个被用于训练，另外702个用于测试。在该数据集上，本发明与HA-CNN、PCB、MGN共三个目前最前沿的方法进行了比较。
(3)MSMT-17是一个大型行人重识别数据集。该数据集使用的监控视频是目前已有公开数据集中视频时长最长的，其周期长到数周。同时，该数据集是目前最大的公开数据集，包含了4101个ID共126441张图片。在该数据集上，本发明与GoogleNet、PDC、GLAD、DenseNet、ResNet共五种基准线模型进行比较。
(4)CUHK03数据集包含1467个ID的14097张照片。该数据集具有人工标注和检测两种标注方式。在该数据集上，本发明与HA-CNN、PCB、PCB+RPP、MGN共四个目前最前沿的方法进行了比较。
本发明主要在两大评判指标上进行对比，分别是：mAP，CMC。另外还有两个对比实验，分别是跨多个数据集的连续迁移实验，以及对模型蒸馏方法中的超参进行调节的实验。
在MSMT17数据集上的评测结果如表1所示：
表1
Figure GDA0002841708810000081
可以看出，使用DenseNet-161作为基础网络构建的PTL模型在mAP上超过了GLAD模型8.25个百分点。同时使用STD模型蒸馏方法之后得到的DenseNet-161模型(DenseNet-161+PTL+STD)仍能超过GLAD模型7.38个百分点。
在Market-1501数据集上的评测结果如表2所示：
表2
Figure GDA0002841708810000082
可以看出，通过使用MGN作为基础网络构建的MGN+PTL模型超过了所有目前最前沿的模型。
在CUHK01数据集上，评测效果如表3所示：
表3
Figure GDA0002841708810000091
可以看出，MGN+PTL模型超过了所有目前最前沿的模型。
在DukeMTMC-reID数据集上，评测效果如表4所示：
表4
Figure GDA0002841708810000092
可以看出，MGN+PTL模型超过了所有目前最前沿的模型。
在MSMT17数据集上，做了跨多个数据集连续迁移的对比实验，结果如表5所示：
表5
Figure GDA0002841708810000093
可以看出，使用PTL+STD方法的模型在各项指标上均超过了基础网络。
另外，在MSMT17数据集上，还进行了对蒸馏方法中超参进行调节的实验，结果如表6所示：
表6
Figure GDA0002841708810000101
可以看出，通过学习老师模型的输出，有利于提高基础网络模型效果。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于卷积长短时记忆网络的渐进迁移学习方法，其特征在于，包括：
(1)选择经过预训练后的基础网络模型；所述的基础网络模型为DenseNet、ResNet、MGN或AlexNet；
(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；
所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；
所述批相关卷积单元用于在进行特征提取的同时收集数据集的整体特征，该数据集是一个行人重识别数据集，具体步骤为：
(2-1)批数据输入批相关卷积单元后，首先通过一个卷积层提取特征；
(2-2)将提取到的特征进行门运算，得到输入批数据的整体特征；
(2-3)得到的整体特征在下一个批数据到来时用于步骤(2-2)中的门运算；
(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；
(4)训练结束，对训练得到的模型进行行人重识别应用。
2.根据权利要求1所述的基于卷积长短时记忆网络的渐进迁移学习方法，其特征在于，所述批相关卷积单元的公式为：
ib＝σ(Wxi*xb+bi)
fb＝σ(Wxf*xb+bf)
Figure FDA0002952701250000011
ob＝σ(Wxo*xb+bo)
Figure FDA0002952701250000012
其中，ib,fb,ob分别是第b批数据作为输入时的输入门控单元、遗忘门控单元和输出门控单元的输出，xb是第b批数据，Cb是收集得到的整体信息，Wxi,Wxf,Wxc,Wxo是对应的门的权值矩阵，yb是批相关卷积单元最终的输出，σ(*)是非线性激活函数，是sigmoid函数，tanh(*)代表Tanh激活函数，bi,bf,bc,bo是对应的偏置值，Cb-1是对第b-1批数据得到的整体信息。
3.根据权利要求1所述的基于卷积长短时记忆网络的渐进迁移学习方法，其特征在于，步骤(3)结束后，还包括：使用训练好的渐进迁移学习网络作为老师模型，使用经过预训练后的基础网络作为学生模型，训练过程使用随机梯度下降算法和改进的模型蒸馏损失函数，并将训练后的学生模型作为步骤(4)中的模型进行行人重识别应用；所述改进的模型蒸馏损失函数为：
Ldisill＝(1-λ)LCE+λLl1
其中，LCE表示学生模型输出与真值之间的交叉熵损失函数，Ll1为学生模型输出与老师模型输出的平均绝对误差，λ为控制两个损失函数比例的超参。
4.根据权利要求3所述的基于卷积长短时记忆网络的渐进迁移学习方法，其特征在于，所述改进的模型蒸馏损失函数中，λ的值选择0.8。
CN201910496327.5A 2019-06-10 2019-06-10 一种基于卷积长短时记忆网络的渐进迁移学习方法 Active CN110334743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910496327.5A CN110334743B (zh) 2019-06-10 2019-06-10 一种基于卷积长短时记忆网络的渐进迁移学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910496327.5A CN110334743B (zh) 2019-06-10 2019-06-10 一种基于卷积长短时记忆网络的渐进迁移学习方法

Publications (2)

Publication Number Publication Date
CN110334743A CN110334743A (zh) 2019-10-15
CN110334743B true CN110334743B (zh) 2021-05-04

Family

ID=68140891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910496327.5A Active CN110334743B (zh) 2019-06-10 2019-06-10 一种基于卷积长短时记忆网络的渐进迁移学习方法

Country Status (1)

Country Link
CN (1) CN110334743B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111050315B (zh) * 2019-11-27 2021-04-13 北京邮电大学 一种基于多核双路网络的无线发射机识别方法
CN110889393A (zh) * 2019-12-10 2020-03-17 上海芯翌智能科技有限公司 人体姿态估计方法及设备
CN113627477B (zh) * 2021-07-07 2024-08-09 武汉魅瞳科技有限公司 车辆多属性识别方法及系统
CN113221017B (zh) * 2021-07-08 2021-10-29 智者四海（北京）技术有限公司 粗排方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096568A (zh) * 2016-06-21 2016-11-09 同济大学 一种基于cnn和卷积lstm网络的行人再识别方法
CN107480178A (zh) * 2017-07-01 2017-12-15 广州深域信息科技有限公司 一种基于图像与视频跨模态比对的行人重识别方法
WO2019071433A1 (en) * 2017-10-10 2019-04-18 Nokia Technologies Oy METHOD, SYSTEM AND APPARATUS FOR RECOGNIZING PATTERNS
CN109754017A (zh) * 2019-01-09 2019-05-14 西北工业大学 基于可分离的三维残差网络和迁移学习高光谱图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829216A (zh) * 2016-05-20 2024-04-05 渊慧科技有限公司 渐进式神经网络

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096568A (zh) * 2016-06-21 2016-11-09 同济大学 一种基于cnn和卷积lstm网络的行人再识别方法
CN107480178A (zh) * 2017-07-01 2017-12-15 广州深域信息科技有限公司 一种基于图像与视频跨模态比对的行人重识别方法
WO2019071433A1 (en) * 2017-10-10 2019-04-18 Nokia Technologies Oy METHOD, SYSTEM AND APPARATUS FOR RECOGNIZING PATTERNS
CN109754017A (zh) * 2019-01-09 2019-05-14 西北工业大学 基于可分离的三维残差网络和迁移学习高光谱图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LSTM Fully Convolutional Networks for Time Series Classification;Fazle Karim等;《IEEE Access》;20171204;第6卷;1662-1669 *
基于深度迁移学习的视频描述方法研究;张丽红等;《测试技术学报》;20181031;第32卷(第5期);443-449 *

Also Published As

Publication number Publication date
CN110334743A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110334743B (zh) 一种基于卷积长短时记忆网络的渐进迁移学习方法
Zhou et al. Anomalynet: An anomaly detection network for video surveillance
CN108830252B (zh) 一种融合全局时空特征的卷积神经网络人体动作识别方法
CN112396027B (zh) 基于图卷积神经网络的车辆重识别方法
CN106778604B (zh) 基于匹配卷积神经网络的行人再识别方法
CN112507901B (zh) 一种基于伪标签自纠正的无监督行人重识别方法
CN110263697A (zh) 基于无监督学习的行人重识别方法、装置及介质
CN103971386B (zh) 一种动态背景场景下的前景检测方法
CN107220611B (zh) 一种基于深度神经网络的空时特征提取方法
CN110008842A (zh) 一种基于深度多损失融合模型的行人重识别方法
CN110598598A (zh) 基于有限样本集的双流卷积神经网络人体行为识别方法
CN109190446A (zh) 基于三元组聚焦损失函数的行人再识别方法
CN109919073B (zh) 一种具有光照鲁棒性的行人再识别方法
CN111027421A (zh) 一种基于图的直推式半监督行人再识别方法
CN110321801B (zh) 一种基于自编码网络的换衣行人重识别方法及系统
CN108491766B (zh) 一种端到端的基于深度决策森林的人群计数方法
CN108876781A (zh) 基于ssd算法的表面缺陷识别方法
CN108090472A (zh) 基于多通道一致性特征的行人重识别方法及其系统
CN110110689A (zh) 一种行人重识别方法
CN108961308A (zh) 一种漂移检测的残差深度特征目标跟踪方法
CN114973317A (zh) 一种基于多尺度邻接交互特征的行人重识别方法
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
CN113139501B (zh) 一种联合局部区域检测与多级特征抓取的行人多属性识别方法
CN116052218B (zh) 一种行人重识别方法
CN111382690A (zh) 基于多损失融合模型的车辆再识别方法

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
GR01 Patent grant
GR01 Patent grant