CN110399528B - 一种自动跨特征推理式目标检索方法 - Google Patents

一种自动跨特征推理式目标检索方法 Download PDF

Info

Publication number
CN110399528B
CN110399528B CN201910715629.7A CN201910715629A CN110399528B CN 110399528 B CN110399528 B CN 110399528B CN 201910715629 A CN201910715629 A CN 201910715629A CN 110399528 B CN110399528 B CN 110399528B
Authority
CN
China
Prior art keywords
feature
legend
similarity
features
sample
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
CN201910715629.7A
Other languages
English (en)
Other versions
CN110399528A (zh
Inventor
袁培江
任鹏远
李建民
王轶
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.)
Beijing Sensing Tech Co ltd
Original Assignee
Beijing Sensing Tech Co ltd
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 Beijing Sensing Tech Co ltd filed Critical Beijing Sensing Tech Co ltd
Priority to CN201910715629.7A priority Critical patent/CN110399528B/zh
Publication of CN110399528A publication Critical patent/CN110399528A/zh
Application granted granted Critical
Publication of CN110399528B publication Critical patent/CN110399528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及视频监控技术领域，且公开了一种自动跨特征推理式目标检索方法，所述检索方法包括有特征及特征链接的提取与保存、基于图例获取库内相关样本、构建相似度转移矩阵、相似度扩散。该自动跨特征推理式目标检索方法，构建不同特征之间统一的相似度转化矩阵，使得本检索方法对海量数据的检索运算效率更高，并且用自动化的算法覆盖了跨特征检索的全过程，通过自动的跨特征检索，可以实现基于一张人脸图像，系统可自动搜索到目标人员对应的无法检测到人脸的行人图像或目标人员驾驶的车辆图像、借助人脸特征提高行人重识别的检索精度、在不用更新全部库存特征的情况下，实现多种版本的库存特征的统一检索排序。

Description

一种自动跨特征推理式目标检索方法
技术领域
本发明涉及视频监控技术领域，具体为一种自动跨特征推理式目标检索方法。
背景技术
视频监控使用时常常需要对监控数据进行目标检索，以获取特定目标的图像记录，出行轨迹，存档特征信息等，其中特征，是用算法模型(如人工神经网络)从输入图像中提取到的多维数据，每条特征都是特定特征空间中的一个坐标点(或向量)，可以直接进行相似度比较，而不同的算法模型所提取的特征由于不存在相同的特征空间内，所以无法进行相似度比较，但由于不同类型图像、不同厂家和相同厂家的不同版本使用的算法模型不同，因此目前监控系统存在检索特征的数据孤岛，致使检索获得的信息不够全面。
目前常用的克服信息孤岛的方法有：
特征嵌入技术：特征嵌入的思路是将不同媒体的特征嵌入(或映射)到相同的特征空间以便实现相互比对或检索，特征嵌入的前提条件是每个样本必须同时具备两种特征，例如一张图像存在图像特征的同时必然可以对它进行文字描述，反之，一段文字描述肯定可以联想到与它对应的图像，但是现实场景中只有少部分图像是允许两种特征同时存在的，其应用有较大的局限性。
特征融合技术：特征融合技术是用相同或不同算法模型提取目标多个区域的图像特征或同一个区域的不同版本的图像特征，并将多个特征在维度上进行拼接，这样，在比对时样本间的相似度等效为分别计算每个特征空间各自的相似度并融合为一个综合的相似度，从而提高检索的精度，由于某一种特征缺失了就会影响样本间综合相似度的分值大小，其实际应用同样存在较大的局限性。
相似度扩散技术：基于图像样例和数据库之间、数据库内部样本之间的相似度矩阵，构建一个初始的相似度转移矩阵，然后利用随机游走或其它快速算法计算出相似度扩散收敛后的图像样例和数据库之间的比对分值，相似度扩散技术基于“类内样本在特征空间中的分布较为连续”这样一个先验知识，用于改善检索精度，但是相似度扩散技术要求计算相似度转移矩阵时知道任意两样本的特征比对相似度，由于不同特征空间的特征无法进行比较，因此相似度扩散技术不能实现跨特征检索，与相似度扩散相似的还有应用于互联网信息检索的PageRank技术。
发明内容
针对上述背景技术的不足，本发明提供了一种自动跨特征推理式目标检索方法，具备跨特征检索的优点，解决了背景技术提出的问题。
本发明提供如下技术方案：一种自动跨特征推理式目标检索方法，所述检索方法包括：
S1、特征及特征链接的提取与保存：提取目标图像特征，检测每个特征的质量分值以及每个特征存在的特征链接到数据库中并建立标识保存到数据库中；
所述特征的质量分值表示存在特征i，其在算法模型中置信度为Q_i，所述特征链接指一个图像样本存在特征i和特征j且特征i和特征j的质量分值Q_i和Q_j分别大于各自的阙值T_i和T_j，标记为特征链接i-j；
S2、基于图像样例获取库内相关样本集：使用图像样例的特征和特征相关虫洞样本的出口特征为检索条件获取的相关样品集；
所述特征相关虫洞样本指局部时空范围内特征链接的质量分值最高的样本；
S3、构建相似度转移矩阵：基于所述步骤S3中输出的图例相样本集构建不同特征之间统一的相似度转移矩阵；
S4、相似度扩散：初始化一个N+1维的初始相似度向量，并利用游走算法基于所述步骤S3中的相似度转移矩阵进行扩散并最终获得N个特征的扩散后的相似度排序得到最终搜索结果。
优选的，在所述步骤S1中，所述特征链接i-j的质量分数Q_i-j＝Q_i+Q_j。
优选的，所述步骤S2中基于图例获取库内相关样本集的步骤包括有：
S201：输入一个初始的图像样例，探测图像样例某个质量分数大于阙值的特征i并使用该特征i进行初始检索；
S202：用K-近临算法检索所述数据库中保存的特征i的按相似度排序前K_1个样本i，将所述图例相关样本集初始为空集，将K_1个所述样本i加入所述图例相关样本集，将待搜图例队列设为空集，将当前特征空间设置为特征空间i；
S203：检测上一步新加入的图例相关样本集中是否存在当前特征空间的特征链接，若存在用非极大值抑制算法在预设的局部时空范围内找到多个特征链接中质量分值最大的特征链接，获得所述虫洞样本，如所述虫洞样本不存在所述待搜图例队列中则将虫洞样本加到待搜图例队列末尾；
S204：从所述待搜图例队列的头部提取并删除一个图例，提取该图例对应的出口特征j，用K-近临算法检索所述数据库中保存的特征j的按相似度排序前K_2个样本j，将这K_2个样本j中不与当前图例相关样本集重复的部分加入到图例相关样本集中，将特征空间j设置为当前特征空间；
S205：重复所述步骤S203和S204，并将该过程中用到的新特征和数量按序号标识，直至所述待搜图例队列为空，获得所述图例相关样本集并输出。
优选的，在所述步骤S3中，构建相似度转移矩阵的步骤包括：
S301：利用图例相关样本集中样本的索引，在数据库中可以获取这些样本对应的各种特征空间的特征，特征总数记为N，生成一个(N+1)×(N+1)的零矩阵，作为初始的相似度矩阵，记为A；
其中，多出的1维代表初始图例，特征相似度矩阵中的坐标对应两条特征的比对相似度；
S302：遍历相似度矩阵的所有坐标，判断每个坐标涉及的量比对特征以及特征对应的样本和特征空间之间的关系对初始的相似度矩阵A的坐标值进行更改，生成实对称的相似度矩阵A,且对角线上值为零；
S303:计算用于归一化的对角矩阵D，维度为(N+1)×(N+1),D每一行的非零元素为矩阵A对应行的各元素之和；
S304:产生相似度矩阵S；
其中，S＝D-1/2AD-1/2。
优选的，在所述步骤S4中的初始相似度向量中，初始图例对应维度上的值是1，其它维度上的值代表图例与图例相关样本集中特定特征的比对分值，初始值为0。
优选的，在所述步骤S2中，当使用所述初始的图像样例的多个特征进行检索的时候，将所有特征和存在的特征链接以及质量分数加入到数据库中并选取一个特征进行检索。
本发明具备以下有益效果：
1、该自动跨特征推理式目标检索方法，提出了“虫洞”和“虫洞转化率”的概念，借此构建不同特征之间统一的相似度转化矩阵，使得本检索方法对海量数据的检索运算效率远高于传统的相似度扩散方法。
2、该自动跨特征推理式目标检索方法，首次用自动化的算法覆盖了跨特征检索的全过程，通过自动的跨特征检索，可以实现：1)基于一张人脸图像，系统可自动搜索到目标人员对应的无法检测到人脸的行人图像或目标人员驾驶的车辆图像；2)借助人脸特征提高行人重识别的检索精度；3)在不用更新全部库存特征的情况下，实现多种版本的库存特征的统一检索排序。
附图说明
图1为本发明检索方法的流程图；
图2为本发明中图例相关样本集提取流程图；
图3为本发明中构建相似度转移矩阵时的判断逻辑框图。
具体实施方式
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，所描述的实施例仅仅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。
请参阅图1-3，一种自动跨特征推理式目标检索方法，所述检索方法包括：
S1、特征及特征链接的提取与保存：提取目标图像特征，检测每个特征的质量分值以及每个特征存在的特征链接到数据库中并建立标识保存到数据库中；
所述特征的质量分值表示存在特征i(变量i可代表人脸、行人、车辆等不同图像类型，也可以是不同的算法模型版本)，其在算法模型中置信度为Q_i，所述特征链接指一个图像样本存在特征i和特征j且特征i和特征j的质量分值Q_i和Q_j分别大于各自的阙值T_i和T_j，标记为特征链接i-j；
S2、基于图像样例获取库内相关样本集：使用图像样例的特征和特征相关虫洞样本的出口特征为检索条件获取的相关样品集；
所述特征相关虫洞样本指局部时空范围内特征链接的质量分值最高的样本；
S3、构建相似度转移矩阵：基于所述步骤S3中输出的图例相样本集构建不同特征之间统一的相似度转移矩阵；
S4、相似度扩散：初始化一个N+1维的初始相似度向量，并利用游走算法基于所述步骤S3中的相似度转移矩阵进行扩散并最终获得N个特征的扩散后的相似度排序得到最终搜索结果。
在本实施方式中，在所述步骤S1中，所述特征链接i-j的质量分数Q_i-j＝Q_i+Q_j。
在本实施方式中，所述步骤S2中基于图例获取库内相关样本集的步骤包括有：
S201：输入一个初始的图像样例，探测图像样例某个质量分数大于阙值的特征i并使用该特征i进行初始检索；
S202：用K-近临算法检索所述数据库中保存的特征i的按相似度排序前K_1个样本i，将所述图例相关样本集初始为空集，将K_1个所述样本i加入所述图例相关样本集，将待搜图例队列设为空集，将当前特征空间设置为特征空间i；
S203：检测上一步新加入的图例相关样本集中是否存在当前特征空间的特征链接，若存在用非极大值抑制算法在预设的局部时空范围内找到多个特征链接中质量分值最大的特征链接，获得所述虫洞样本，如所述虫洞样本不存在所述待搜图例队列中则将虫洞样本加到待搜图例队列末尾；
S204：从所述待搜图例队列的头部提取并删除一个图例，提取该图例对应的出口特征j，用K-近临算法检索所述数据库中保存的特征j的按相似度排序前K_2个样本j，将这K_2个样本j中不与当前图例相关样本集重复的部分加入到图例相关样本集中，将特征空间j设置为当前特征空间；
S205：重复所述步骤S203和S204，并将该过程中用到的新特征和数量按序号标识，直至所述待搜图例队列为空，获得所述图例相关样本集并输出。
在本实施方式中，在所述步骤S3中，构建相似度转移矩阵的步骤包括：
S301：利用图例相关样本集中样本的索引，在数据库中可以获取这些样本对应的各种特征空间的特征，特征总数记为N，生成一个(N+1)×(N+1)的零矩阵，作为初始的相似度矩阵，记为A；
其中，多出的1维代表初始图例，特征相似度矩阵中的坐标对应两条特征的比对相似度；
S302：遍历相似度矩阵的所有坐标，判断每个坐标涉及的量比对特征以及特征对应的样本和特征空间之间的关系对初始的相似度矩阵A的坐标值进行更改，生成实对称的相似度矩阵A,且对角线上值为零，其判断过程如下；
其中A(m,n)标识矩阵A的坐标，m，n为对应的特征标识，x，y表示特征m和特征n的对应样本，i，j表示特征m和特征n的对应的特征空间。
S303:计算用于归一化的对角矩阵D，维度为(N+1)×(N+1),D每一行的非零元素为矩阵A对应行的各元素之和；
S304:产生相似度矩阵S；
其中，S＝D-1/2AD-1/2。
在本实施方式中，，在所述步骤S4中的初始相似度向量中，初始图例对应维度上的值是1，其它维度上的值代表图例与图例相关样本集中特定特征的比对分值，初始值为0。
当利用随机游走算法基于相似度转移矩阵对相似度向量进行扩散时，则第t+1步的相似度向量为：
Ft+1＝aSFT+(1-a)F0,a∈(0,1)
其中F0表示初始相似度向量，Ft+1表示第t+1步的相似度向量；
按上式进行推导，当迭代可收敛时，最终得到收敛向量解析式
F*＝(1-a)(I-aS)-1F0
F*中包含图例相关样本集中N个特征的扩散后相似度，将这N个相似度由大到小排序即可得到最终的检索结果。
在本实施方式中，在所述步骤S2中，当使用所述初始的图像样例的多个特征进行检索的时候，将所有特征和存在的特征链接以及质量分数加入到数据库中并选取一个特征进行检索。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种自动跨特征推理式目标检索方法，其特征在于：所述检索方法包括：
S1、特征及特征链接的提取与保存：提取目标图像特征，检测每个特征的质量分值以及每个特征存在的特征链接到数据库中并建立标识保存到数据库中；
所述特征的质量分值表示存在特征i，其在算法模型中置信度为Q_i，所述特征链接指一个图像样本存在特征i和特征j且特征i和特征j的质量分值Q_i和Q_j分别大于各自的阙值T_i和T_j，标记为特征链接i-j；
S2、基于图像样例获取库内相关样本集：使用图像样例的特征和特征相关虫洞样本的出口特征为检索条件获取的相关样品集；
所述特征相关虫洞样本指局部时空范围内特征链接的质量分值最高的样本；
S3、构建相似度转移矩阵：基于所述步骤S3中输出的图例相样本集构建不同特征之间统一的相似度转移矩阵；
S4、相似度扩散：初始化一个N+1维的初始相似度向量，并利用游走算法基于所述步骤S3中的相似度转移矩阵进行扩散并最终获得N个特征的扩散后的相似度排序得到最终搜索结果；
在所述步骤S1中，所述特征链接i-j的质量分数Q_i-j＝Q_i+Q_j；
所述步骤S2中基于图例获取库内相关样本集的步骤包括有：
S201：输入一个初始的图像样例，探测图像样例某个质量分数大于阙值的特征i并使用该特征i进行初始检索；
S202：用K-近临算法检索所述数据库中保存的特征i的按相似度排序前K_1个样本i，将所述图例相关样本集初始为空集，将K_1个所述样本i加入所述图例相关样本集，将待搜图例队列设为空集，将当前特征空间设置为特征空间i；
S203：检测上一步新加入的图例相关样本集中是否存在当前特征空间的特征链接，若存在用非极大值抑制算法在预设的局部时空范围内找到多个特征链接中质量分值最大的特征链接，获得所述虫洞样本，如所述虫洞样本不存在所述待搜图例队列中则将虫洞样本加到待搜图例队列末尾；
S204：从所述待搜图例队列的头部提取并删除一个图例，提取该图例对应的出口特征j，用K-近临算法检索所述数据库中保存的特征j的按相似度排序前K_2个样本j，将这K_2个样本j中不与当前图例相关样本集重复的部分加入到图例相关样本集中，将特征空间j设置为当前特征空间；
S205：重复所述步骤S203和S204，并将该过程中用到的新特征和数量按序号标识，直至所述待搜图例队列为空，获得所述图例相关样本集并输出。
2.根据权利要求1所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S3中，构建相似度转移矩阵的步骤包括：
S301：利用图例相关样本集中样本的索引，在数据库中可以获取这些样本对应的各种特征空间的特征，特征总数记为N，生成一个(N+1)×(N+1)的零矩阵，作为初始的相似度矩阵，记为A；
其中，多出的1维代表初始图例，特征相似度矩阵中的坐标对应两条特征的比对相似度；
S302：遍历相似度矩阵的所有坐标，判断每个坐标涉及的量比对特征以及特征对应的样本和特征空间之间的关系对初始的相似度矩阵A的坐标值进行更改，生成实对称的相似度矩阵A,且对角线上值为零；
S303:计算用于归一化的对角矩阵D，维度为(N+1)×(N+1),D每一行的非零元素为矩阵A对应行的各元素之和；
S304:产生相似度矩阵S；
其中，S＝D-1/2AD-1/2。
3.根据权利要求1所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S4中的初始相似度向量中，初始图例对应维度上的值是1，其它维度上的值代表图例与图例相关样本集中特定特征的比对分值，初始值为0。
4.根据权利要求1所述的一种自动跨特征推理式目标检索方法，其特征在于：在所述步骤S2中，当使用所述初始的图像样例的多个特征进行检索的时候，将所有特征和存在的特征链接以及质量分数加入到数据库中并选取一个特征进行检索。
CN201910715629.7A 2019-08-05 2019-08-05 一种自动跨特征推理式目标检索方法 Active CN110399528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910715629.7A CN110399528B (zh) 2019-08-05 2019-08-05 一种自动跨特征推理式目标检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910715629.7A CN110399528B (zh) 2019-08-05 2019-08-05 一种自动跨特征推理式目标检索方法

Publications (2)

Publication Number Publication Date
CN110399528A CN110399528A (zh) 2019-11-01
CN110399528B true CN110399528B (zh) 2023-11-07

Family

ID=68327326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910715629.7A Active CN110399528B (zh) 2019-08-05 2019-08-05 一种自动跨特征推理式目标检索方法

Country Status (1)

Country Link
CN (1) CN110399528B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860936B (zh) * 2021-02-19 2022-11-29 清华大学 一种基于稀疏图相似度迁移的视觉行人重识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933861A (zh) * 2015-12-30 2017-07-07 北京大唐高鸿数据网络技术有限公司 一种支持特征自定义的跨镜头目标检索方法
WO2017210949A1 (zh) * 2016-06-06 2017-12-14 北京大学深圳研究生院 一种跨媒体检索方法
CN109271999A (zh) * 2018-09-06 2019-01-25 北京京东尚科信息技术有限公司 图像的处理方法、装置和计算机可读存储介质
CN109583455A (zh) * 2018-11-20 2019-04-05 黄山学院 一种融合递进图排序的图像显著性检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171665A1 (en) * 2017-12-05 2019-06-06 Salk Institute For Biological Studies Image similarity search via hashes with expanded dimensionality and sparsification

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933861A (zh) * 2015-12-30 2017-07-07 北京大唐高鸿数据网络技术有限公司 一种支持特征自定义的跨镜头目标检索方法
WO2017210949A1 (zh) * 2016-06-06 2017-12-14 北京大学深圳研究生院 一种跨媒体检索方法
CN109271999A (zh) * 2018-09-06 2019-01-25 北京京东尚科信息技术有限公司 图像的处理方法、装置和计算机可读存储介质
CN109583455A (zh) * 2018-11-20 2019-04-05 黄山学院 一种融合递进图排序的图像显著性检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习和时空约束的跨摄像头行人跟踪;夏天等;《计算机与数字工程》;20171120(第11期);191-196 *

Also Published As

Publication number Publication date
CN110399528A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN107679078B (zh) 一种基于深度学习的卡口图像车辆快速检索方法及系统
CN107679250B (zh) 一种基于深度自编码卷积神经网络的多任务分层图像检索方法
US10275683B2 (en) Clustering-based person re-identification
CN115171165A (zh) 全局特征与阶梯型局部特征融合的行人重识别方法及装置
CN112633382B (zh) 一种基于互近邻的少样本图像分类方法及系统
JP6889132B2 (ja) オブジェクトを描写するための候補である可能性が高い１つまたは複数の候補デジタル画像を突き止める方法
CN104573130A (zh) 基于群体计算的实体解析方法及装置
WO2013182298A1 (en) Method for annotating images
CN118072252B (zh) 适用于任意多模态数据组合的行人重识别模型训练方法
CN111368867B (zh) 档案归类方法及系统、计算机可读存储介质
KR20200002332A (ko) 딥 러닝을 이용하여 이미지를 검색하는 단말 장치 및 방법
CN111177432A (zh) 一种基于分层深度哈希的大规模图像检索方法
CN113190670A (zh) 一种基于大数据平台的信息展示方法及系统
CN109977253B (zh) 一种基于语义和内容的快速图像检索方法及装置
CN113065516A (zh) 一种基于样本分离的无监督行人重识别系统及方法
CN117743596A (zh) 一种知识图谱的数据处理方法及装置
CN114579794A (zh) 特征一致性建议的多尺度融合地标图像检索方法及系统
CN110399528B (zh) 一种自动跨特征推理式目标检索方法
CN112884866B (zh) 一种黑白视频的上色方法、装置、设备及存储介质
CN113553975A (zh) 基于样本对关系蒸馏的行人重识别方法、系统、设备及介质
CN116977859A (zh) 基于多尺度图像切割和实例困难度的弱监督目标检测方法
CN114429648B (zh) 一种基于对比特征的行人重识别方法及系统
CN114189754B (zh) 一种视频情节分段方法及系统
CN114220078A (zh) 一种目标重识别方法、装置和计算机可读存储介质
CN112131415B (zh) 基于深度学习提高数据采集质量的方法和装置

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
GR01 Patent grant
GR01 Patent grant