CN110543816B - 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 - Google Patents
一种基于谱聚类和增强学习的自适应人脸图像聚类方法 Download PDFInfo
- Publication number
- CN110543816B CN110543816B CN201910663760.3A CN201910663760A CN110543816B CN 110543816 B CN110543816 B CN 110543816B CN 201910663760 A CN201910663760 A CN 201910663760A CN 110543816 B CN110543816 B CN 110543816B
- Authority
- CN
- China
- Prior art keywords
- clustering
- face
- performance
- cluster
- matrix
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种基于谱聚类和增强学习的自适应人脸图像聚类方法,包括以下步骤:1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示;2)应用谱聚类算法实现对图像表征的聚类;3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数,首先,给定期望聚类搜索范围,设定搜索步长及搜索起始点;接着执行Q‑Learning算法,在搜索范围内尝试所有可能的调参行为,并选择使得聚类性能最优的行为给予最大正向回报;直至所有行为都无法使得性能优化,或满足最大迭代次数,结束搜索;多次训练后搜索结束点即为最优参数的设定值。本发明通过动态调参和自适应搜索,能够帮助找到全局最优聚类数目和降维数,提升人脸图像聚类性能。
Description
技术领域
本发明涉及一种自适应的人脸图像聚类方法,尤其是一种基于谱聚类和增强学习的自适应人脸图像聚类方法。
背景技术
随着计算机视觉和模式识别技术的快速发展,图像作为一种最普遍的视觉信息呈现模式,具有广泛的应用前景。在“大数据”时代,每天都产生着大量的图片。例如,在社交媒体上,据Facebook的报道每天平均产生3.5亿张图片,其中大部分是人脸图像。在司法调查中,依然有着庞大数量的图片急需鉴别和归类。在社会治安维护和监控管理上,由摄像头捕捉的大量人脸图像需要进行身份认证和入库比对。但是,这些人脸图像通常没有身份标签的,或者是标签遗失了。在面对如此庞大的图像数据库时,应用人工标注的方法难以保证身份辨认的准确性和有效性,并且是非常费时费力的。
机器学习的兴起为解决这一棘手的问题提供了有效的方案。近年来,深度卷积神经网络DCNN在图像特征提取和身份识别上展现出了优越的性能:根据目前国内外的研究,其识别性能已经远远超过了人眼。同时,数据聚类技术日益成熟,为解决大规模图像数据识别与归类问题提供了方法依据。当前应用于人脸图像聚类的算法主要有:谱聚类、基于层级划分的聚类方法、K-Means等。其中,谱聚类模型由于对数据分布的普遍适用性和对数据稀疏性不敏感的特点,已成为了主流聚类算法。
但是应用谱聚类算法实现大规模图像数据库的聚类,需要预先确定聚类数目和模型奇异值分解过程中的降维数。这两项参数的设定直接影响了聚类性能。由于在大规模数据库中,聚类数目的设定可能是成百上千的,难以估计。因此采用人工调参的方法费时费力且难以找到全局最优设定。
发明内容
为了克服现有人脸图像处理方式的聚类性能较差的不足,为了显著提升人脸图像聚类性能,本发明提供了一种基于谱聚类和增强学习的自适应人脸图像聚类方法,结合谱聚类模型和增强学习算法,通过动态调参和自适应搜索,能够帮助找到全局最优的聚类数目和降维数。
本发明解决其技术问题所采用的技术方案是:
一种基于谱聚类和增强学习的自适应人脸图像聚类方法,所述方法包括如下步骤:
1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示,步骤如下:
步骤1.1:预处理是对图像做初步的修正处理;
步骤1.2:基于Dlib人脸标注的68个特征点,准确定位图像中的人脸区域并裁剪该区域;
步骤1.3:应用预训练的DCNN(Dlib ResNet)提取裁剪后人脸的特征,并输出128维的特征向量作为该人脸的表征;
2)应用谱聚类实现对人脸表征的降维和聚类,操作步骤如下:
步骤2.1:以列矩阵形式表示人脸表征的集合X=(X1,X2,···,Xn),其中X为128维度的人脸表征,n为人脸的数目;
步骤2.2:基于高斯径向核函数构建邻接矩阵W和相似矩阵S,计算过程如下;
其中,各参数定义如下:
σ:径宽参数;
Wij:邻接矩阵W中第i行j列的元素;
Sij:相似矩阵S中第i行j列的元素;
Xi:第i个人脸表征;
Xj:第j个人脸表征;
i,j:整数变量;
步骤2.4:计算拉普拉斯矩阵L:L=D-W;
步骤2.5:计算标准化拉普拉斯矩阵L*:L*=D-1/2LD-1/2;
步骤2.6:基于L*构建一个新的表征矩阵X*,计算L*的前m个最大的特征值对应的特征向量,并把它们作为新表征矩阵X*的列向量,视为降维后新的人脸表征;
步骤2.7:对X*进行L2范数化操作;
步骤2.8:对新表征X*执行K-Means得到K个聚类划分,结果表示为C={C1,C2,···,CK};
3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数设定,首先,给定期望聚类搜索范围,设定搜索步长及搜索起始点,接着,执行Q-Learning算法,在搜索范围内尝试所有可能的调参行为,并选择使得聚类性能最优的行为给予最大正向回报;直至所有行为都无法使得性能优化,或满足最大迭代次数,结束搜索;多次训练后搜索结束点即为最优参数的设定值。
进一步,所述步骤3)中,该动态搜索步骤如下:
计算聚类内部性能指标DBI系数作为每次调参行为的性能评估,对应簇划分C={C1,C2,···,CK},该过程表示为:
DU(Ci,Cj)=||Ui-Uj||2
其中,各参数与函数实现定义如下:
K:聚类数目;
avg(C):簇内人脸表征均值;
|C|:簇C中的人脸表征数目;
DU(Ci,Cj):Ci和Cj簇间的中心距离;
U:簇C的中心;
由于不同的聚类数目和降维设定必然导致不同的聚类结果和聚类性能,因此需给予使得性能优化的行为正向回报,给予使得性能退化的行为负向回报,执行Q-learning算法的步骤如下:
步骤3.1:设定每次训练状态的最大迭代数M,记当前状态为S=0,随机初始化Q(s,a);
步骤3.2:若S≤M,则转至步骤3.3;否则,结束搜索并置S=0;
步骤3.3:尝试当前状态所有可能的调参行为,给予使得性能优化的行为回报(+1),退化的行为回报(-1);
步骤3.4:基于如下贝尔曼等式更新Q表,更新当前状态S,并转至步骤3.2;
其中,各参数定义如下:
s:当前状态;
s′:下一时刻状态;
a′:下一时刻行为;
a:当前行为;
α:学习率;
γ:奖励折扣系数;
r:奖励回报;
步骤3.5:多次执行步骤3.2至步骤3.4后得到Q(s,a)。以Q(s,a)所有状态最大的值对应的行为为搜索路径,得最优参数的设定值。
本发明的技术构思为:在当前“大数据”时代背景下,许多领域如社交媒体、司法调查等都产生了海量的未标识人脸图像。为解决大规模人脸图像数据库的人脸身份识别和归类的问题,我们结合DCNN和谱聚类算法提供了一种有效的解决方案。首先,采用DCNN实现对人脸图像的表征。接着,应用谱聚类算法对获得的人脸表征实现识别和归类。在谱聚类过程中,面临的问题是难以确定合理的聚类数目和降维参数。在面对大规模数据库的聚类任务时,合理的聚类数目通常是未知且难以确定的并且表征维度的选择也直接影响了聚类性能。对此,我们提出一种基于Q-learning算法的自适应人脸图像聚类方法。该方法能有效解决谱聚类所面临的上述问题,而且极大地提高聚类性能。
本发明的有益效果主要表现为:1、为解决大规模人脸图像数据库中图像识别和归类的问题,我们提出一种基于DCNN和谱聚类算法的图像聚类方法。该方法应用DCNN实现人脸表征,能保证识别的准确率和有效性。2、应用Q-learning算法动态搜索最优聚类数目和降维参数,从而能够解决聚类任务中最重要的聚类数目未知的问题。该问题的解决能极大地改善聚类的性能,同时具备处理不同数据集的能力。
附图说明
图1是基于DCNN的人脸图像表征实现示意图;
图2是应用Q-learning算法原理示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1~图2,一种基于谱聚类和增强学习的自适应人脸图像聚类方法,包括3个部分:应用DCNN实现对人脸图像的表征(如图1),谱聚类算法实现对大量人脸表征的识别与归类,以及采用Q-learning算法自适应搜索最优的聚类数目和降维参数设定(如图2),从而极大地提升聚类性能。包括如下步骤:
1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示,该过程有包括预处理、人脸对齐和特征提取,步骤如下:
步骤1.1:预处理是对图像做初步的修正处理,例如社交媒体图片需要做亮度均衡处理,法医学的生物检材图片需要做去噪处理等。预处理能够显著提高特征提取的性能;
步骤1.2:基于Dlib人脸标注的68个特征点,准确定位图像中的人脸区域并裁剪该区域;
步骤1.3:应用预训练的DCNN(Dlib ResNet)提取裁剪后人脸的特征,并输出128维的特征向量作为该人脸的表征;
2)应用谱聚类实现对人脸表征的降维和聚类,操作步骤如下:
步骤2.1:以列矩阵形式表示人脸表征的集合X=(X1,X2,···,Xn),其中X为128维度的人脸表征,n为人脸的数目;
步骤2.2:基于高斯径向核函数构建邻接矩阵W和相似矩阵S,计算过程如下;
其中,各参数定义如下:
σ:径宽参数;
Wij:邻接矩阵W中第i行j列的元素;
Sij:相似矩阵S中第i行j列的元素;
Xi:第i个人脸表征;
Xj:第j个人脸表征;
i,j:整数变量;
步骤2.4:计算拉普拉斯矩阵L:L=D-W;
步骤2.5:计算标准化拉普拉斯矩阵L*:L*=D-1/2LD-1/2;
步骤2.6:基于L*构建一个新的表征矩阵X*,计算L*的前m个最大的特征值对应的特征向量,并把它们作为新表征矩阵X*的列向量,视为降维后新的人脸表征;
步骤2.7:对X*进行L2范数化操作;
步骤2.8:对新表征X*执行K-Means得到K个聚类划分,结果表示为C={C1,C2,···,CK};
3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数,首先,给定期望聚类搜索范围,设定搜索步长及搜索起始点;接着,执行Q-Learning算法,在搜索范围内尝试所有可能的调参行为,并选择使得聚类性能最优的行为给予最大正向回报;直至所有行为都无法使得性能优化,或满足最大迭代次数,结束搜索;多次训练后搜索结束点即为最优参数的设定值。
进一步,所述步骤3)中,该动态搜索步骤如下:
计算聚类内部性能指标DBI系数作为每次调参行为的性能评估,对应簇划分C={C1,C2,···,CK},该过程表示为:
DU(Ci,Cj)=||Ui-Uj||2
其中,各参数与函数实现定义如下:
K:聚类数目;
avg(C):簇内人脸表征均值;
|C|:簇C中的人脸表征数目;
DU(Ci,Cj):Ci和Cj簇间的中心距离;
U:簇C的中心;
由于不同的聚类数目和降维设定必然导致不同的聚类结果和聚类性能,因此需给予使得性能优化的行为正向回报,给予使得性能退化的行为负向回报,执行Q-learning算法的步骤如下:
步骤3.1:设定每次训练状态的最大迭代数M,记当前状态为S=0,随机初始化Q(s,a);
步骤3.2:若S≤M,则转至步骤3.3;否则,结束搜索并置S=0;
步骤3.3:尝试当前状态所有可能的调参行为,给予使得性能优化的行为回报(+1),退化的行为回报(-1);
步骤3.4:基于如下贝尔曼等式更新Q表,更新当前状态S,并转至步骤3.2;
其中,各参数定义如下:
s:当前状态;
s′:下一时刻状态;
a′:下一时刻行为;
a:当前行为;
α:学习率;
γ:奖励折扣系数;
r:奖励回报;
步骤3.5:多次执行步骤3.2至步骤3.4后得到Q(s,a)。以Q(s,a)所有状态最大的值对应的行为为搜索路径,得最优参数的设定值。
Claims (2)
1.一种基于谱聚类和增强学习的自适应人脸图像聚类方法,其特征在于,所述聚类方法包括如下步骤:
1)应用深度卷积神经网络DCNN实现对数据库中所有人脸图片的特征表示,该过程包括预处理、人脸对齐和特征提取,步骤如下:
步骤1.1:预处理是对图像做初步的修正处理,包括社交媒体图片做亮度均衡处理,法医学的生物检材图片做去噪处理,预处理能够显著提高特征提取的性能;
步骤1.2:基于Dlib人脸标注的68个特征点,准确定位图像中的人脸区域并裁剪该区域;
步骤1.3:应用预训练的DCNN提取裁剪后人脸的特征,并输出128维的特征向量作为该人脸的表征;
2)应用谱聚类算法实现对图像表征的聚类,操作步骤如下:
步骤2.1:以列矩阵形式表示人脸表征的集合X=(X1,X2,···,Xn),其中X为128维度的人脸表征,n为人脸的数目;
步骤2.2:基于高斯径向核函数构建邻接矩阵W和相似矩阵S,计算过程如下;
其中,各参数定义如下:
σ:径宽参数;
Wij:邻接矩阵W中第i行j列的元素;
Sij:相似矩阵S中第i行j列的元素;
Xi:第i个人脸表征;
Xj:第j个人脸表征;
i,j:整数变量;
步骤2.4:计算拉普拉斯矩阵L:L=D-W;
步骤2.5:计算标准化拉普拉斯矩阵L*:L*=D-1/2LD-1/2;
步骤2.6:基于L*构建一个新的表征矩阵X*,计算L*的前m个最大的特征值对应的特征向量,并把它们作为新表征矩阵X*的列向量,视为降维后新的人脸表征;
步骤2.7:对X*进行L2范数化操作;
步骤2.8:对新表征X*执行K-Means得到K个聚类划分,结果表示为C={C1,C2,···,CK};
3)基于增强学习算法自适应搜索最优的聚类数目和谱聚类降维参数,首先,给定期望聚类搜索范围,设定搜索步长及搜索起始点;接着,执行Q-Learning算法,在搜索范围内尝试所有可能的调参行为,并选择使得聚类性能最优的行为给予最大正向回报;直至所有行为都无法使得性能优化,或满足最大迭代次数,结束搜索;多次训练后搜索结束点即为最优参数的设定值。
2.如权利要求1所述的一种基于谱聚类和增强学习的自适应人脸图像聚类方法,其特征在于,所述步骤3)中,动态搜索步骤如下:
计算聚类内部性能指标DBI系数作为每次调参行为的性能评估,对应簇划分C={C1,C2,···,CK},该过程表示为:
DU(Ci,Cj)=||Ui-Uj||2
其中,各参数与函数实现定义如下:
K:聚类数目;
avg(C):簇内人脸表征均值;
|C|:簇C中的人脸表征数目;
DU(Ci,Cj):Ci和Cj簇间的中心距离;
U:簇C的中心;
由于不同的聚类数目和降维设定必然导致不同的聚类结果和聚类性能,因此需给予使得性能优化的行为正向回报,给予使得性能退化的行为负向回报,执行Q-learning算法的步骤如下:
步骤3.1:设定每次训练状态的最大迭代数M,记当前状态为S=0,随机初始化Q(s,a);
步骤3.2:若S≤M,则转至步骤3.3;否则,结束搜索并置S=0;
步骤3.3:尝试当前状态所有可能的调参行为,给予使得性能优化的行为回报,退化的行为回报;
步骤3.4:基于如下贝尔曼等式更新Q表,更新当前状态S,并转至步骤3.2;
其中,各参数定义如下:
s:当前状态;
s′:下一时刻状态;
a′:下一时刻行为;
a:当前行为;
α:学习率;
γ:奖励折扣系数;
r:奖励回报;
步骤3.5:多次执行步骤3.2至步骤3.4后得到Q(s,a),以Q(s,a)所有状态最大的值对应的行为为搜索路径,得最优参数的设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663760.3A CN110543816B (zh) | 2019-07-23 | 2019-07-23 | 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663760.3A CN110543816B (zh) | 2019-07-23 | 2019-07-23 | 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110543816A CN110543816A (zh) | 2019-12-06 |
CN110543816B true CN110543816B (zh) | 2021-08-03 |
Family
ID=68710288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663760.3A Active CN110543816B (zh) | 2019-07-23 | 2019-07-23 | 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543816B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115570228B (zh) * | 2022-11-22 | 2023-03-17 | 苏芯物联技术(南京)有限公司 | 一种焊接管道供气智能反馈控制方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764276A (zh) * | 2018-04-12 | 2018-11-06 | 西北大学 | 一种鲁棒自动加权多特征聚类方法 |
CN109086720A (zh) * | 2018-08-03 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸聚类方法、装置和存储介质 |
WO2019102005A1 (en) * | 2017-11-27 | 2019-05-31 | Technische Universiteit Eindhoven | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering |
CN109829433A (zh) * | 2019-01-31 | 2019-05-31 | 北京市商汤科技开发有限公司 | 人脸图像识别方法、装置、电子设备及存储介质 |
CN110020599A (zh) * | 2019-02-28 | 2019-07-16 | 浙江工业大学 | 一种稀疏强化型低秩约束的人脸图像聚类方法 |
-
2019
- 2019-07-23 CN CN201910663760.3A patent/CN110543816B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019102005A1 (en) * | 2017-11-27 | 2019-05-31 | Technische Universiteit Eindhoven | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering |
CN108764276A (zh) * | 2018-04-12 | 2018-11-06 | 西北大学 | 一种鲁棒自动加权多特征聚类方法 |
CN109086720A (zh) * | 2018-08-03 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸聚类方法、装置和存储介质 |
CN109829433A (zh) * | 2019-01-31 | 2019-05-31 | 北京市商汤科技开发有限公司 | 人脸图像识别方法、装置、电子设备及存储介质 |
CN110020599A (zh) * | 2019-02-28 | 2019-07-16 | 浙江工业大学 | 一种稀疏强化型低秩约束的人脸图像聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110543816A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | Cluster representation of the structural description of images for effective classification | |
CN111738143B (zh) | 一种基于期望最大化的行人重识别方法 | |
Min et al. | Efficient detection of occlusion prior to robust face recognition | |
Gao et al. | CW-SSIM based image classification | |
CN111191698B (zh) | 基于非负矩阵分解和模糊c均值的聚类方法 | |
Ahmed et al. | Automated weed classification with local pattern-based texture descriptors. | |
Rehman et al. | Image classification based on complex wavelet structural similarity | |
CN104992454A (zh) | 一种区域化自动变类的图像分割方法 | |
Ding et al. | Single sample per person face recognition with KPCANet and a weighted voting scheme | |
Peluffo-Ordónez et al. | Short review of dimensionality reduction methods based on stochastic neighbour embedding | |
Yadav et al. | A new illumination normalization framework via homomorphic filtering and reflectance ratio in DWT domain for face recognition | |
CN110532867B (zh) | 一种基于黄金分割法的人脸图像聚类方法 | |
CN110543816B (zh) | 一种基于谱聚类和增强学习的自适应人脸图像聚类方法 | |
Ahuja et al. | ISURE: User authentication in mobile devices using ocular biometrics in visible spectrum | |
CN110175631A (zh) | 一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法 | |
CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 | |
CN111160077A (zh) | 一种大规模人脸动态聚类方法 | |
CN112818779B (zh) | 一种基于特征优选与多种特征融合的人体行为识别方法 | |
CN109978066B (zh) | 基于多尺度数据结构的快速谱聚类方法 | |
CN111339980B (zh) | 基于时空直方图的动作识别方法及装置 | |
Qingbo et al. | Face recognition method based on HOG and DMMA from single training sample | |
CN115116105A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
Ahmed et al. | Multimode image clustering using optimal image descriptor | |
Dong et al. | Learning multiple kernel metrics for iterative person re-identification | |
Ahmed | Exponential discriminant regularization using nonnegative constraint and image descriptor |
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 |