CN110414368A - 一种基于知识蒸馏的无监督行人重识别方法 - Google Patents
一种基于知识蒸馏的无监督行人重识别方法 Download PDFInfo
- Publication number
- CN110414368A CN110414368A CN201910601551.6A CN201910601551A CN110414368A CN 110414368 A CN110414368 A CN 110414368A CN 201910601551 A CN201910601551 A CN 201910601551A CN 110414368 A CN110414368 A CN 110414368A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- identity
- trained
- attribute
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- 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)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于知识蒸馏的无监督行人重识别方法,属于模式识别技术领域,所述方法包括,将目标应用场景下不同摄像头采集的无标签行人图片作为目标域,并对另一场景下不同摄像头采集的行人图片进行身份和属性标注后作为源域;构建行人重识别模型;将源域输入源分支进行训练,将目标域输入目标分支进行训练,将训练好的源分支输出的特征输入特征编码器进行训练,得到训练好的行人重识别模型;将待识别的行人图像输入训练好的行人重识别模型,并将待识别行人身份和属性特征与候选行人库中的行人身份和属性特征进行相似度比较并排序,得到行人重识别结果。本发明方法使用迁移学习和分块局部特征的方法实现行人重识别,有效提高了识别准确度。
Description
技术领域
本发明属于模式识别技术领域,更具体地,涉及一种基于知识蒸馏的无监督行人重识别方法。
背景技术
行人的重识别方法是计算机视觉领域的重要研究方向之一。随着监控设备技术的日渐成熟,如何有效管理和监控所采集的海量数据成为目前备受关注的问题。所谓行人重识别,是指在照射区域无重叠的多摄像头下,匹配特定目标行人的识别工作,在现今大数据时代,尤其是智能视频监控等背景下具有重要意义。
行人重识别本质上是计算样本的相似度或者距离,然后根据相似度或者距离对样本进行排序,进而找到与查询样本属于同一个人的图像。由于视频清晰度等限制,在实际监控中很难通过直观的人脸等信息寻找同一目标,而利用行人穿着外貌等表观特征在视频监控中检索行人是比较可行的方法。然而,行人重识别目前面临着诸多挑战,比如同一目标在不同摄像头下受视角变化、光照变化、姿态变化、行人遮挡和背景噪声干扰等影响,使得不同视角下的特征表达存在一定程度的偏差。
基于监督学习的行人重识别方法原理是将行人图片作为网络的输入,将人工标注的行人身份标签作为模型的期望输出,从而训练模型提取行人图片的身份特征,并对行人身份分类。由于监督学习方法需要人工标注大量成对数据标签,但是在实际应用中,为每个应用场景标注大规模的数据集成本高昂,因此,该方法在实际应用中受到了较大限制。而无监督的方法不需要标注大量成对标签,数据获取相对容易。但是单纯的无监督行人重识别方法没有数据标签来为模型提供必要的信息,难以从行人图片中准确的提取与行人身份相关的特征,因此主流的无监督行人重识别方法的准确度一般较低。
总体而言,现有行人重识别方法存在识别准确度低的技术问题。
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基于知识蒸馏的无监督行人重识别方法,旨在解决现有行人重识别方法由于难以从行人图片中准确的提取与行人身份相关的特征,因此识别准确度低的问题。
为实现上述目的,本发明提供了一种基于知识蒸馏的无监督行人重识别方法,包括:
(1)将目标应用场景下不同摄像头采集的无标签行人图片作为目标域,并对另一场景下不同摄像头采集的行人图片进行身份和属性标注后作为源域;
(2)构建包括源分支、目标分支和自动编码器的行人重识别模型;
所述源分支,用于从所述源域中提取源域身份和属性判别特征;
所述自动编码器,用于对提取到的源域身份和属性判别特征进行降维,得到低维的身份和属性判别特征;
所述目标分支,用于根据所述低维的身份和属性判别特征从所述目标域中提取目标域身份和属性判别特征;
(3)将所述源域输入所述源分支进行训练,得到训练好的源分支,将所述目标域输入所述目标分支进行训练,得到训练好的目标分支,将训练好的源分支输出的特征输入所述特征编码器进行训练,得到训练好的特征编码器,训练好的源分支、目标分支以及特征编码器构成训练好的行人重识别模型;
(4)将待识别的行人图像输入训练好的行人重识别模型,得到待识别的行人身份和属性特征;
(5)将待识别的行人身份和属性特征与候选行人库中的行人身份和属性特征进行相似度比较并排序,得到行人重识别结果。
进一步地,所述源分支包括特征提取子网络、身份分类器和属性分类器;
所述特征提取子网络,用于从所述源域中提取特征图,将提取到的特征图进行水平切片,并对切片后的每块特征图进行平均池化操作得到多组特征向量,拼接各组特征向量得到源域身份和属性判别特征;
所述身份分类器,用于根据所述源域身份和属性判别特征,辨别行人身份;
所述属性分类器,用于根据所述源域身份和属性判别特征,辨别行人属性。
进一步地,所述特征提取子网络为不包含全局平均池化层的卷积神经网络。
进一步地,所述卷积神经网络为去除全局平均池化层的MobileNetV2。
进一步地,所述身份分类器的损失函数为:
其中,表示行人图片属于身份标签所属类别上的预测概率,nbs表示训练过程中采样一批数据所包含的图片数量。
进一步地,所述属性分类器的损失函数为:
其中,ai,j和patt(Ii.j)分别代表属性标签对应的类别以及训练图像Ii属于第j个属性的预测分类概率,
进一步地,所述自动编码器的损失函数为:
LAE=Lrec+kLID-transfer
其中,Lrec=||Xatt+ID-fAE(Xatt+ID)||2,fAE()为自动编码器的映射函数,Xatt+ID为身份属性特征;LID-transfer=||eatt+ID-eft||2,eatt+ID为目标分支全连接层的输出,eft为降维后的特征,k为归一化参数。
进一步地,所述目标分支的损失函数为:
LID-transfer=||eatt+ID-eft||2。
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)本发明采用基于知识蒸馏的多分支网络结构,在无标签的目标域通过自动编码器利用从源分支提取的特征来训练目标分支,目标分支直接从无标签的目标域数据中学习特征表达,使得目标分支可以更好地适应目标域数据,提取到更具判别性的特征,针对不同的目标域数据,网络都可以学习一个适合该目标域的特征表达,从而增强了识别的鲁棒性,有效提高了行人重识别的准确度。
(2)本发明采用基于身份和属性迁移学习的无监督行人重识别方法,能够同时利用人工标注的源域数据,以及没有人工标注的目标域数据来训练行人重识别模型,对于不同的应用场景,只需要人工标注一个场景下的行人图片作为源域,并将拍摄到的行人图片作为目标域,由于目标域无需人工标记,从而实现在同一源域下将模型扩展到不同的应用场景,大大降低了人工标注数据的工作量,解决了现有监督学习行人重识别模型扩展性差的问题。
(3)本发明通过源域身份和属性标签共同约束源分支的训练过程,使网络同时关注全局身份信息和局部属性信息,使得提取的行人特征对行人身份有更强的辨识能力,同时采用基于特征分块的局部特征提取方法,提高了特征的空间分辨率,可以更好的区分不同行人细节上的差异,从而进一步提升了所提取特征的判别能力。
(4)本发明的行人重识别模型结构简单,且采用轻量化网络MobileNetV2作为网络主干,占用内存空间小,可以利用随机梯度下降法训练,运算效率高。
附图说明
图1是本发明的基于知识蒸馏的无监督行人重识别方法流程图;
图2是本发明的行人重识别模型结构示意图;
图3本发明网络CNN部分结构示意图。
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。
参考图1,本发明实施例提供了一种基于知识蒸馏的无监督行人重识别方法,包括:
(1)将目标应用场景下不同摄像头采集的无标签行人图片作为目标域,并对另一场景下不同摄像头采集的行人图片进行身份和属性标注后作为源域;
具体地,假设有Ns个由两个以上不同摄像头拍摄图像中截取的行人边界框图像Is组成的有标签的源数据集(域)对应的身份标签为(假设有个不同的人),以及身份级别的二进制属性标签as∈Rm×1(假设有m个不同的属性);同时假设集合为无标签的目标域,其中Nt数据个数。
(2)构建包括源分支、目标分支和自动编码器的行人重识别模型;
具体地,源分支,图2中(a)部分,用于从源域中提取源域身份和属性判别特征;自动编码器,图2中(b)部分,用于对提取到的源域身份和属性判别特征进行降维,得到低维的身份和属性判别特征;目标分支,图2中(c)部分,用于根据低维的身份和属性判别特征从目标域中提取目标域身份和属性判别特征;
本发明利用基于分块局部特征的深度学习方法来从行人图片中提取特征,源分支和目标分支均采用去除全局平均池化层的卷积神经网络,如去除全局平均池化层的MobileNetV2,源分支包括特征提取子网络、身份分类器和属性分类器;如图3所示,特征提取子网络的输入为行人图片,输出为3维特征张量T,对特征张量T沿水平方向分为p块,分别对每一块进行平均池化,得到一组沿特征通道轴方向的一维特征列向量gi(i=1,2,...,p),沿单个列向量gi的维度方向拼接p个列向量gi(i=1,2,…,p)得到最终的输出特征;身份分类器,用于根据源域身份和属性判别特征,辨别行人身份;属性分类器,用于根据源域身份和属性判别特征,辨别行人属性。
(3)将所述源域输入所述源分支进行训练,得到训练好的源分支,将所述目标域输入所述目标分支进行训练,得到训练好的目标分支,将训练好的源分支输出的特征输入所述特征编码器进行训练,得到训练好的特征编码器,训练好的源分支、目标分支以及特征编码器构成训练好的行人重识别模型;
具体地,为了训练网络同时学习身份和属性标签中的信息,需要分别计算网络预测身份和属性时的损失,身份分类器使用定义如下的softmax交叉熵损失函数:
其中,表示行人图片属于身份标签所属类别上的预测概率,nbs表示训练过程中采样一批数据所包含的图片数量。
属性分类器Sigmoid交叉熵损失函数,通过考虑所有m个属性类来计算分类损失:
其中,ai,j和patt(Ii.j)分别代表属性标签对应的类别以及训练图像Ii属于第j个属性的预测分类概率,ai=[ai,1,…,ai,m]。
基于以上两个损失函数,源分支最终的损失计算可以表示为:
L=Lid+λLatt
其中,λ参数用于平衡身份和属性损失在训练过程中对网络的约束效果,通过以上损失函数来优化源分支。
自动编码器包括编码器和解码器两部分,eft是编码器的输出,即降维后的特征,同时也作为解码器的输入。将身份属性特征Xatt+ID作为编码器的输入和解码器的groundtruth,通过定义如下的重建损失来训练:
Lrec=||Xatt+ID-fAE(Xatt+ID)||2
其中,fAE()为自动编码器的映射函数;
目标分支的全连接层输出维度设为m,通过定义如下的迁移损失来训练:
LID-transfer=||eatt+ID-eft||2;
其中,eatt+ID为目标分支全连接层的输出;
对于自动编码器,这里结合重建损失和迁移损失来同时约束其训练过程,最终的损失函数可以表示为:
LAE=Lrec+kLID-transfer
其中,k为归一化参数。
而对于目标分支,仅通过迁移损失来约束::
LID-transfer=LID-transfer。
(4)将待识别的行人图像输入训练好的行人重识别模型,得到待识别的行人身份和属性特征;
(5)将待识别的行人身份和属性特征与候选行人库中的行人身份和属性特征进行相似度比较并排序,得到行人重识别结果。
为验证本发明方法对于行人重识别的有效性,与现有主流无监督行人重识别方法CAMEL,ISR,PUL等进行对比分析,不同模型采用的训练集和测试集完全一致。当使用Market-1501数据集测试时,使用DukeMTMC-ReID作为源域;使用DukeMTMC-ReID数据集测试时,使用Market-1501作为源域。实验结果如表1所示:
测试采用平均准确率(mAP)和首位命中率(RANK1)作为评价指标。根据测试结果可知,本方法(P-TJAIDL)相对其他无监督行人重识别方法在平均准确率和首位命中率两个指标上均都有着显著的优势。这说明相对主流的无监督行人重识别方法,本方法在行人重识别准确度上有着明显的优势。
表1
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 (8)
1.一种基于知识蒸馏的无监督行人重识别方法,其特征在于,包括:
(1)将目标应用场景下不同摄像头采集的无标签行人图片作为目标域,并对另一场景下不同摄像头采集的行人图片进行身份和属性标注后作为源域;
(2)构建包括源分支、目标分支和自动编码器的行人重识别模型;
所述源分支,用于从所述源域中提取源域身份和属性判别特征;
所述自动编码器,用于对提取到的源域身份和属性判别特征进行降维,得到低维的身份和属性判别特征;
所述目标分支,用于根据所述低维的身份和属性判别特征从所述目标域中提取目标域身份和属性判别特征;
(3)将所述源域输入所述源分支进行训练,得到训练好的源分支,将所述目标域输入所述目标分支进行训练,得到训练好的目标分支,将训练好的源分支输出的特征输入所述特征编码器进行训练,得到训练好的特征编码器,训练好的源分支、目标分支以及特征编码器构成训练好的行人重识别模型;
(4)将待识别的行人图像输入训练好的行人重识别模型,得到待识别的行人身份和属性特征;
(5)将待识别的行人身份和属性特征与候选行人库中的行人身份和属性特征进行相似度比较并排序,得到行人重识别结果。
2.根据权利要求1所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述源分支包括特征提取子网络、身份分类器和属性分类器;
所述特征提取子网络,用于从所述源域中提取特征图,将提取到的特征图进行水平切片,并对切片后的每块特征图进行平均池化操作得到多组特征向量,拼接各组特征向量得到源域身份和属性判别特征;
所述身份分类器,用于根据所述源域身份和属性判别特征,辨别行人身份;
所述属性分类器,用于根据所述源域身份和属性判别特征,辨别行人属性。
3.根据权利要求2所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述特征提取子网络为不包含全局平均池化层的卷积神经网络。
4.根据权利要求3所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述卷积神经网络为去除全局平均池化层的MobileNetV2。
5.根据权利要求2所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述身份分类器的损失函数为:
其中,表示行人图片属于身份标签所属类别上的预测概率,nbs表示训练过程中采样一批数据所包含的图片数量。
6.根据权利要求2所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述属性分类器的损失函数为:
其中,ai,j和patt(Ii.j)分别代表属性标签对应的类别以及训练图像Ii属于第j个属性的预测分类概率,ai=[ai,1,...,ai,m]。
7.根据权利要求1-6任一项所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述自动编码器的损失函数为:
LAE=Lrec+kLID-transfer
其中,Lrec=||Xatt+ID-fAE(Xatt+ID)||2,fAE()为自动编码器的映射函数,Xatt+ID为身份属性特征;LID-transfer=||eatt+ID-eft||2,eatt+ID为目标分支全连接层的输出,eft为降维后的特征,k为归一化参数。
8.根据权利要求7所述的一种基于知识蒸馏的无监督行人重识别方法,其特征在于,所述目标分支的损失函数为:
LID-transfer=||eatt+ID-eft||2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601551.6A CN110414368B (zh) | 2019-07-04 | 2019-07-04 | 一种基于知识蒸馏的无监督行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601551.6A CN110414368B (zh) | 2019-07-04 | 2019-07-04 | 一种基于知识蒸馏的无监督行人重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414368A true CN110414368A (zh) | 2019-11-05 |
CN110414368B CN110414368B (zh) | 2021-12-17 |
Family
ID=68360260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910601551.6A Active CN110414368B (zh) | 2019-07-04 | 2019-07-04 | 一种基于知识蒸馏的无监督行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414368B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111401281A (zh) * | 2020-03-23 | 2020-07-10 | 山东师范大学 | 基于深度聚类和样例学习的无监督行人重识别方法及系统 |
CN111444765A (zh) * | 2020-02-24 | 2020-07-24 | 北京市商汤科技开发有限公司 | 图像重识别方法及相关模型的训练方法及相关装置、设备 |
CN111611880A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于神经网络无监督对比学习的高效行人重识别方法 |
CN111723812A (zh) * | 2020-06-05 | 2020-09-29 | 南强智视(厦门)科技有限公司 | 一种基于序列知识蒸馏的实时语义分割方法 |
CN111783521A (zh) * | 2020-05-19 | 2020-10-16 | 昆明理工大学 | 基于低秩先验引导的域不变信息分离的行人重识别方法 |
CN111897993A (zh) * | 2020-07-20 | 2020-11-06 | 杭州叙简科技股份有限公司 | 一种基于行人再识别的高效目标人物轨迹生成方法 |
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 |
CN112613474A (zh) * | 2020-12-30 | 2021-04-06 | 珠海大横琴科技发展有限公司 | 一种行人重识别的方法和装置 |
CN112861691A (zh) * | 2021-01-29 | 2021-05-28 | 中国科学技术大学 | 基于部位感知建模的遮挡场景下的行人重识别方法 |
CN112927783A (zh) * | 2021-03-30 | 2021-06-08 | 泰康保险集团股份有限公司 | 图像检索方法及装置 |
CN112966150A (zh) * | 2021-02-26 | 2021-06-15 | 平安普惠企业管理有限公司 | 一种视频内容抽取的方法、装置、计算机设备及存储介质 |
CN113077389A (zh) * | 2021-04-28 | 2021-07-06 | 广东工业大学 | 一种基于信息蒸馏结构的红外热成像方法 |
CN113221770A (zh) * | 2021-05-18 | 2021-08-06 | 青岛根尖智能科技有限公司 | 基于多特征混合学习的跨域行人重识别方法及系统 |
CN113255695A (zh) * | 2021-05-21 | 2021-08-13 | 广州广电运通金融电子股份有限公司 | 一种目标重识别的特征提取方法及系统 |
CN113297906A (zh) * | 2021-04-20 | 2021-08-24 | 之江实验室 | 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 |
CN113378981A (zh) * | 2021-07-02 | 2021-09-10 | 湖南大学 | 基于域适应的噪音场景图像分类方法及系统 |
CN113408428A (zh) * | 2021-06-22 | 2021-09-17 | 之江实验室 | 行人图像不变性特征提取和无监督行人重识别方法与装置 |
CN113536928A (zh) * | 2021-06-15 | 2021-10-22 | 清华大学 | 一种高效率的无监督行人重识别方法和装置 |
CN113822339A (zh) * | 2021-08-27 | 2021-12-21 | 北京工业大学 | 一种自知识蒸馏和无监督方法相结合的自然图像分类方法 |
CN113920540A (zh) * | 2021-11-04 | 2022-01-11 | 厦门市美亚柏科信息股份有限公司 | 基于知识蒸馏的行人重识别方法、装置、设备及存储介质 |
CN114090770A (zh) * | 2021-10-19 | 2022-02-25 | 杭州电子科技大学 | 一种多阶段的无监督域适应因果关系识别方法 |
CN114332787A (zh) * | 2021-12-30 | 2022-04-12 | 福州大学 | 无源域无监督域自适应车辆再识别方法 |
WO2023272995A1 (zh) * | 2021-06-29 | 2023-01-05 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、装置、设备及可读存储介质 |
CN116188509A (zh) * | 2023-04-23 | 2023-05-30 | 电子科技大学 | 一种高效率三维图像分割方法 |
CN113822339B (zh) * | 2021-08-27 | 2024-05-31 | 北京工业大学 | 一种自知识蒸馏和无监督方法相结合的自然图像分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130343642A1 (en) * | 2012-06-21 | 2013-12-26 | Siemens Corporation | Machine-learnt person re-identification |
US9251463B2 (en) * | 2011-06-30 | 2016-02-02 | Wsu Research Foundation | Knowledge transfer in smart environments |
CN108564066A (zh) * | 2018-04-28 | 2018-09-21 | 国信优易数据有限公司 | 一种人物识别模型训练方法以及人物识别方法 |
CN108764065A (zh) * | 2018-05-04 | 2018-11-06 | 华中科技大学 | 一种行人重识别特征融合辅助学习的方法 |
CN109002761A (zh) * | 2018-06-13 | 2018-12-14 | 中山大学新华学院 | 一种基于深度卷积神经网络的行人重识别监控系统 |
-
2019
- 2019-07-04 CN CN201910601551.6A patent/CN110414368B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251463B2 (en) * | 2011-06-30 | 2016-02-02 | Wsu Research Foundation | Knowledge transfer in smart environments |
US20130343642A1 (en) * | 2012-06-21 | 2013-12-26 | Siemens Corporation | Machine-learnt person re-identification |
CN108564066A (zh) * | 2018-04-28 | 2018-09-21 | 国信优易数据有限公司 | 一种人物识别模型训练方法以及人物识别方法 |
CN108764065A (zh) * | 2018-05-04 | 2018-11-06 | 华中科技大学 | 一种行人重识别特征融合辅助学习的方法 |
CN109002761A (zh) * | 2018-06-13 | 2018-12-14 | 中山大学新华学院 | 一种基于深度卷积神经网络的行人重识别监控系统 |
Non-Patent Citations (4)
Title |
---|
JINWANG ET AL.: "Equidistance constrained metric learning for person re-identification", 《PATTERN RECOGNITION》 * |
MINXIAN LI ET AL.,: "Unsupervised Tracklet Person Re-Identification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
李方方: "无重叠区域多摄像机下的行人重识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王金 等: "基于姿态对齐的行人重识别方法", 《控制理论与应用》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111444765A (zh) * | 2020-02-24 | 2020-07-24 | 北京市商汤科技开发有限公司 | 图像重识别方法及相关模型的训练方法及相关装置、设备 |
CN111444765B (zh) * | 2020-02-24 | 2023-11-24 | 北京市商汤科技开发有限公司 | 图像重识别方法及相关模型的训练方法及相关装置、设备 |
CN111401281A (zh) * | 2020-03-23 | 2020-07-10 | 山东师范大学 | 基于深度聚类和样例学习的无监督行人重识别方法及系统 |
CN111401281B (zh) * | 2020-03-23 | 2022-06-21 | 山东师范大学 | 基于深度聚类和样例学习的无监督行人重识别方法及系统 |
CN111611880A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于神经网络无监督对比学习的高效行人重识别方法 |
CN111783521A (zh) * | 2020-05-19 | 2020-10-16 | 昆明理工大学 | 基于低秩先验引导的域不变信息分离的行人重识别方法 |
CN111783521B (zh) * | 2020-05-19 | 2022-06-07 | 昆明理工大学 | 基于低秩先验引导的域不变信息分离的行人重识别方法 |
CN111723812A (zh) * | 2020-06-05 | 2020-09-29 | 南强智视(厦门)科技有限公司 | 一种基于序列知识蒸馏的实时语义分割方法 |
CN111723812B (zh) * | 2020-06-05 | 2023-07-07 | 南强智视(厦门)科技有限公司 | 一种基于序列知识蒸馏的实时语义分割方法 |
CN111897993A (zh) * | 2020-07-20 | 2020-11-06 | 杭州叙简科技股份有限公司 | 一种基于行人再识别的高效目标人物轨迹生成方法 |
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 |
CN112613474A (zh) * | 2020-12-30 | 2021-04-06 | 珠海大横琴科技发展有限公司 | 一种行人重识别的方法和装置 |
CN112861691A (zh) * | 2021-01-29 | 2021-05-28 | 中国科学技术大学 | 基于部位感知建模的遮挡场景下的行人重识别方法 |
CN112861691B (zh) * | 2021-01-29 | 2022-09-09 | 中国科学技术大学 | 基于部位感知建模的遮挡场景下的行人重识别方法 |
CN112966150A (zh) * | 2021-02-26 | 2021-06-15 | 平安普惠企业管理有限公司 | 一种视频内容抽取的方法、装置、计算机设备及存储介质 |
CN112927783A (zh) * | 2021-03-30 | 2021-06-08 | 泰康保险集团股份有限公司 | 图像检索方法及装置 |
CN112927783B (zh) * | 2021-03-30 | 2023-12-26 | 泰康同济(武汉)医院 | 图像检索方法及装置 |
CN113297906A (zh) * | 2021-04-20 | 2021-08-24 | 之江实验室 | 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 |
CN113077389A (zh) * | 2021-04-28 | 2021-07-06 | 广东工业大学 | 一种基于信息蒸馏结构的红外热成像方法 |
CN113221770A (zh) * | 2021-05-18 | 2021-08-06 | 青岛根尖智能科技有限公司 | 基于多特征混合学习的跨域行人重识别方法及系统 |
CN113255695A (zh) * | 2021-05-21 | 2021-08-13 | 广州广电运通金融电子股份有限公司 | 一种目标重识别的特征提取方法及系统 |
CN113536928B (zh) * | 2021-06-15 | 2024-04-19 | 清华大学 | 一种高效率的无监督行人重识别方法和装置 |
CN113536928A (zh) * | 2021-06-15 | 2021-10-22 | 清华大学 | 一种高效率的无监督行人重识别方法和装置 |
CN113408428B (zh) * | 2021-06-22 | 2023-03-14 | 之江实验室 | 行人图像不变性特征提取和无监督行人重识别方法与装置 |
CN113408428A (zh) * | 2021-06-22 | 2021-09-17 | 之江实验室 | 行人图像不变性特征提取和无监督行人重识别方法与装置 |
WO2023272995A1 (zh) * | 2021-06-29 | 2023-01-05 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、装置、设备及可读存储介质 |
US11830275B1 (en) | 2021-06-29 | 2023-11-28 | Inspur Suzhou Intelligent Technology Co., Ltd. | Person re-identification method and apparatus, device, and readable storage medium |
CN113378981A (zh) * | 2021-07-02 | 2021-09-10 | 湖南大学 | 基于域适应的噪音场景图像分类方法及系统 |
CN113378981B (zh) * | 2021-07-02 | 2022-05-13 | 湖南大学 | 基于域适应的噪音场景图像分类方法及系统 |
CN113822339A (zh) * | 2021-08-27 | 2021-12-21 | 北京工业大学 | 一种自知识蒸馏和无监督方法相结合的自然图像分类方法 |
CN113822339B (zh) * | 2021-08-27 | 2024-05-31 | 北京工业大学 | 一种自知识蒸馏和无监督方法相结合的自然图像分类方法 |
CN114090770A (zh) * | 2021-10-19 | 2022-02-25 | 杭州电子科技大学 | 一种多阶段的无监督域适应因果关系识别方法 |
CN114090770B (zh) * | 2021-10-19 | 2022-11-04 | 杭州电子科技大学 | 一种多阶段的无监督域适应因果关系识别方法 |
CN113920540A (zh) * | 2021-11-04 | 2022-01-11 | 厦门市美亚柏科信息股份有限公司 | 基于知识蒸馏的行人重识别方法、装置、设备及存储介质 |
CN114332787A (zh) * | 2021-12-30 | 2022-04-12 | 福州大学 | 无源域无监督域自适应车辆再识别方法 |
CN116188509A (zh) * | 2023-04-23 | 2023-05-30 | 电子科技大学 | 一种高效率三维图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110414368B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414368A (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN111126360B (zh) | 基于无监督联合多损失模型的跨域行人重识别方法 | |
CN105512640B (zh) | 一种基于视频序列的人流量统计方法 | |
CN111709311B (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN114241282A (zh) | 一种基于知识蒸馏的边缘设备场景识别方法及装置 | |
CN103226835B (zh) | 基于在线初始化梯度增强回归树的目标跟踪方法及系统 | |
CN110598543B (zh) | 基于属性挖掘和推理的模型训练方法及行人再识别方法 | |
CN105574510A (zh) | 一种步态识别方法及装置 | |
CN108898620A (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN109299707A (zh) | 一种基于模糊深度聚类的无监督行人再识别方法 | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN109800624A (zh) | 一种基于行人重识别的多目标跟踪方法 | |
CN111832514A (zh) | 基于软多标签的无监督行人重识别方法及装置 | |
CN108427740B (zh) | 一种基于深度度量学习的图像情感分类与检索算法 | |
CN111027377B (zh) | 一种双流神经网络时序动作定位方法 | |
CN108647595A (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN109344842A (zh) | 一种基于语义区域表达的行人重识别方法 | |
CN109492528A (zh) | 一种基于高斯和深度特征的行人再识别方法 | |
CN113313684B (zh) | 一种暗光条件下基于视频的工业缺陷检测系统 | |
CN108805102A (zh) | 一种基于深度学习的视频字幕检测与识别方法及系统 | |
CN110858276A (zh) | 一种识别模型与验证模型相结合的行人重识别方法 | |
Shi et al. | Instance enhancing loss: Deep identity-sensitive feature embedding for person search | |
CN106874825A (zh) | 人脸检测的训练方法、检测方法和装置 | |
CN109753962A (zh) | 基于混合网络的自然场景图像中文本区域的处理方法 |
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 |