CN110580460A - 基于行人身份和属性特征联合识别验证的行人再识别方法 - Google Patents
基于行人身份和属性特征联合识别验证的行人再识别方法 Download PDFInfo
- Publication number
- CN110580460A CN110580460A CN201910803996.2A CN201910803996A CN110580460A CN 110580460 A CN110580460 A CN 110580460A CN 201910803996 A CN201910803996 A CN 201910803996A CN 110580460 A CN110580460 A CN 110580460A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- identity
- attribute
- picture
- learning
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于行人身份和属性特征联合识别验证的行人再识别方法,充分利用行人身份和属性特征的互补信息,联合识别和验证两种模式同时对深度卷积神经网络进行多任务学习,得到更具判别性的行人特征。本发明对行人身份特征和行人属性特征的同时学习,可以使神经网络的特征层既能学习到行人高层的整体身份特征,又能抓取到中层的语义特征,使这两种特征在同一个神经网络中得到有效融合,从而具有更强的鲁棒性和判别性。另外,本发明联合行人识别与行人验证两种模式监督式训练深度卷积神经网络,既能使学习得到的行人特征将不同类行人图片辨别出不同的类别,又能使同一个行人的特征距离很近,而不同行人的特征距离较远。
Description
技术领域
本发明涉及计算机视觉与模式识别技术领域,尤其是一种联合识别和验证的行人再识别方法。
背景技术
近年来,无重叠视野的监控摄像机常用来对学校、车站等人流密集的公共场所进行大范围视频监控,在安全防范、案件侦查以及疑犯追踪等方面发挥着重要作用。对于大部分监控场景来说,行人是智能监控的重要分析对象,基于视觉的行人再识别技术是智能监控的重要研究内容,是实现跨摄像头检索和跟踪的基础。尽管现有的行人再识别方法已经取得了一些成果,但是受复杂多变的光照和成像条件影响,行人再识别仍然是一项充满挑战性的工作,行人再识别存在的问题具体表现在以下几个方面:(1)同一行人在不同摄像机下外观变化剧烈;(2)行人外观的判别性较弱,不同行人外观有较强相似性;(3)标注数据集过小。
当前行人再识别方法主要是利用行人身份(ID)信息对深度卷积神经网络进行监督式训练,其中有两种常用的监督式训练模式:一种是识别模式,即将行人再识别问题转化为行人多分类问题;另一种是验证模式,即将行人再识别问题转化为验证两张行人图片是否属于同一个人的问题。另外,也有一些行人再识别方法利用行人属性标记,监督式训练深度卷积神经网络,将行人再识别问题转化为多属性标记分类问题。但是现有方法未联合识别和验证模式来训练网络同时学习行人身份特征和属性特征。
发明内容
为了克服现有技术的不足,本发明提供一种基于行人身份和属性特征联合识别验证的行人再识别方法。本发明为一种实用性强、可明显提高行人再识别准确率的基于行人身份和属性特征联合识别和验证的跨摄像机行人再识别方法。充分利用行人身份和属性特征的互补信息,联合识别和验证两种模式同时对深度卷积神经网络进行多任务学习,得到更具判别性的行人特征。与现有方法相比,本发明大幅提高了行人再识别的准确率。
本发明解决其技术问题所采用的技术方案是包括以下步骤:
(1)行人再识别训练集表示为共包含N张行人图片Ii,每张行人图片标记有身份标签yi∈{1,...,C}和行人语义属性标签ai=[ai,1,..,ai,m],C为类身份类别,每个行人含有m个行人属性,行人属性包括年龄、性别、头发长度、上衣长度、背包、手提包、裤子颜色和鞋子颜色;所使用的训练图片是在现实场景中由多个无重叠视野的摄像机拍摄的图片,经过行人检测器检测或手工标定得到的包含行人大部分部位的图片,身份和属性标签都由手工标定;再识别数据集包括Market-1501和DukeMTMC-reID;
(2)采用深度卷积神经网络主体框架为50层的深度残差网络模型——ResNet50模型;ResNet50模型包含多个卷积层和池化层,最后一个隐含层经过全局平均池化操作后,接一个含有1000神经元的全连接层,用于预测ImageNet数据集的图片类别;使用在ImageNet预训练过的ResNet50模型架构和参数,只将最后含有1000神经元的全连接层换成含有2048神经元的全连接层,用于学习同时识别行人身份和属性和验证行人身份的行人判别性特征;
(3)设计基于行人身份和属性特征学习的行人识别任务;
包含两个特征学习任务:行人身份特征学习任务和行人属性特征学习任务;
所述行人身份特征学习任务是对训练集中行人图片Ii预测行人的身份类别,并与图片真实身份标签yi计算误差,使用的神经网络目标函数是交叉熵多分类损失函数,对批量处理的nbs张行人图片,交叉熵分类损失函数Lid计算如下:
式中,pid(Ii,yi)是神经网络预测行人图片Ii的身份类别为yi的概率;
行人属性特征学习任务是对训练集中行人图片Ii同时预测m个行人属性的类别,并与真实属性类别计算误差,其使用的神经网络目标函数是二值交叉熵损失函数。对批量处理的nbs张行人图片,二值交叉熵损失函数Lattr计算如下:
式中,ai,j是第i张行人图片第j个真实属性类别,patt(Ii,ai,j)是预测行人图片Ii的属性类别为ai,j的概率;
(4)使用批量样本中取最难的Triplet损失函数,Triplet损失函数的输入是三元组样本,包含锚点样本、正样本和负样本,其中正样本与锚点样本类别一致,而负样本与锚点样本类别不同;
每个批量样本通过随机采样P个行人类别,P<C,每个行人类别含有K个行人图片构成,每个批量样本共含有P×K张行人图片,每张图片会逐一作为锚点图片,表示身份类别为i行人的第so张图片,对应锚点图片的正样本是在批量样本中与属于同一个行人但特征距离最大的样本,而负样本是在批量样本中与属于不同行人类别但特征距离最小的样本,分别计算如下:
批量样本中取最难样本的Triplet损失函数表示如下:
式中,[x]+=max(0,x);
(5)联合步骤(3)和步骤(4)中两个任务,设计基于行人身份和属性特征学习的联合识别与验证任务,实现行人特征的最终学习,总的损失函数由步骤(3)和步骤(4)中的行人身份特征学习、行人属性特征学习和基于行人身份和属性特征的行人验证任务损失函数加权组成:
Ltotal=Lid+λ1Latt+λ2Ltrip
将行人训练集图片以及图片对应的行人身份标记和行人属性标签输入给ResNet50深度卷积神经网络模型,同时监督式学习行人身份识别、行人属性识别和行人身份验证三个任务,利用身份和属性标签的互补信息,学习身份特征和属性特征,从而实现具有关联性多任务之间的特征学习;
(6)测试阶段:使用训练达到迭代次数的深度卷积神经网络分别对待检索行人图片和行人测试集提取行人特征,然后使用欧式距离、余弦距离或其他距离度量方法对待检索图片与测试集的行人特征之间做相似性度量,相似性达到预设值即为同一行人。
本发明的有益效果在于所述的基于行人身份和属性特征联合识别和验证的行人再识别方法对行人身份特征和行人属性特征的同时学习,可以使神经网络的特征层既能学习到行人高层的整体身份特征,又能抓取到中层的语义特征,使这两种特征在同一个神经网络中得到有效融合,从而具有更强的鲁棒性和判别性。另外,本发明联合行人识别与行人验证两种模式监督式训练深度卷积神经网络,既能使学习得到的行人特征将不同类行人图片辨别出不同的类别,又能使同一个行人的特征距离很近,而不同行人的特征距离较远。
附图说明
图1为本发明的流程示意图。
图2是本发明实例中深度卷积神经网络的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本发明所述的基于行人身份和属性特征联合识别与验证的行人再识别方法,包括以下步骤:
(1)行人再识别训练集表示为共包含N张行人图片Ii,每张行人图片标记有身份标签yi∈{1,...,C}和行人语义属性标签ai=[ai,1,...,ai,m]C为类身份类别,每个行人含有m个行人属性,行人属性包括年龄、性别、头发长度、上衣长度、背包、手提包、裤子颜色和鞋子颜色;所使用的训练图片是在现实场景中由多个无重叠视野的摄像机拍摄的图片,经过行人检测器检测或手工标定得到的包含行人大部分部位的图片,身份和属性标签都由手工标定;再识别数据集包括Market-1501和DukeMTMC-reID;
(2)采用深度卷积神经网络主体框架为50层的深度残差网络模型——ResNet50模型;深度残差网络模型借鉴了highway网络的思想,在构造网络时增加了捷径连接,使后续层的输出不是传统神经网络中输入的映射,而是输入的映射和输入的叠加,从而解决了深度神经网络训练的梯度消失或爆炸以及特征分布不均匀等问题。同时,神经网络深度的增加使网络具有学习到更多隐含判别性特征的能力。ResNet50模型包含大量的卷积层和池化层,最后一个隐含层经过全局平均池化操作后,会接一个含有1000神经元的全连接层,用于预测ImageNet数据集的图片类别。本发明使用在ImageNet预训练过的ResNet50模型架构和参数,只将最后含有1000神经元的全连接层换成含有2048神经元的全连接层(如图2中“深度卷积神经网络”中fc层所示),用于学习同时识别行人身份和属性和验证行人身份的行人判别性特征;
(3)设计基于行人身份和属性特征学习的行人识别任务;
任务是同时完成行人身份和属性的特征学习,目的是识别行人图片的身份类别和语义属性类别,具体包含两个特征学习任务:行人身份特征学习任务和行人属性特征学习任务。
行人身份特征学习任务是对训练集中行人图片Ii预测行人的身份类别,并与图片真实身份标签yi计算误差,其使用的神经网络目标函数是交叉熵多分类损失函数。对批量处理的nbs张行人图片,交叉熵分类损失函数Lid计算如下:
式中,pid(Ii,yi)是神经网络预测行人图片Ii的身份类别为yi的概率。
行人属性特征学习任务是对训练集中行人图片Ii同时预测m个行人属性的类别,并与真实属性类别计算误差,其使用的神经网络目标函数是二值交叉熵损失函数。对批量处理的nbs张行人图片,二值交叉熵损失函数Lattr计算如下:
式中,ai,j是第i张行人图片第j个真实属性类别,patt(Ii,ai,j)是预测行人图片Ii的属性类别为ai,j的概率。
通过深度卷积神经网络对行人身份特征和行人属性特征的同时学习,可以使神经网络的特征层既能学习到行人高层的整体身份特征,又能抓取到中层的语义特征,使这两种特征在同一个神经网络中得到有效融合,从而具有更强的鲁棒性和判别性。
(4)设计基于行人身份和属性特征的行人验证任务。不同于步骤(3)中的行人识别任务只是将特征分到不同的类别,行人验证任务是要求属于同一个行人的特征互相靠的很近,而不同行人的特征尽可能离的较远。该任务使用的是批量样本中取最难的Triplet损失函数。Triplet损失函数的输入是三元组样本,包含锚点样本、正样本和负样本,其中正样本与锚点样本类别一致,而负样本与锚点样本类别不同。
每个批量样本通过随机采样P(P<C)个行人类别,每个行人类别含有K个行人图片构成。因此,每个批量样本共含有P×K张行人图片,每张图片会逐一作为锚点图片(表示身份类别为i行人的第so张图片)。对应锚点图片的正样本是在批量样本中与属于同一个行人但特征距离最大的样本,而负样本是在批量样本中与属于不同行人类别但特征距离最小的样本,分别计算如下:
批量样本中取最难样本的Triplet损失函数表示如下:
式中,[x]+=max(0,x)。
(5)联合步骤(3)和步骤(4)中两个任务,设计基于行人身份和属性特征学习的联合识别与验证任务,实现行人特征的最终学习。总的损失函数由步骤(3)和步骤(4)中的行人身份特征学习、行人属性特征学习和基于行人身份和属性特征的行人验证任务损失函数加权组成:
Ltotal=Lid+λ1Latt+λ2Ltrip
将行人训练集图片以及图片对应的行人身份标记和行人属性标签输入给ResNet50深度卷积神经网络模型,同时监督式学习行人身份识别、行人属性识别和行人身份验证三个任务,有效利用身份和属性标签的互补信息,学习身份特征和属性特征,从而实现具有关联性多任务之间的特征学习,使学习得到的行人特征具有更高判别能力。
(6)测试阶段:使用已经训练好的深度卷积神经网络分别对待检索行人图片和行人测试集提取行人特征,然后使用欧式距离、余弦距离或其他距离度量方法,对待检索图片与测试集的行人特征之间做相似性度量,距离越小表示两张行人图片特征越相似,更有可能为同一行人目标,相似度达到预设值即有可能为同一行人。由于特征库中可能有多个高于阈值的特征,确定方法可采用二种策略:1)距离最小的特征库中的特征对应的标记行人即为待测行人;2)高于阈值的所有特征根据标签进行投票确定待测行人的类别。
Claims (1)
1.一种基于行人身份和属性特征联合识别验证的行人再识别方法,其特征在于包括下述步骤:
(1)行人再识别训练集表示为共包含N张行人图片Ii,每张行人图片标记有身份标签yi∈{1,...,C}和行人语义属性标签ai=[ai,1,...,ai,m],C为类身份类别,每个行人含有m个行人属性,行人属性包括年龄、性别、头发长度、上衣长度、背包、手提包、裤子颜色和鞋子颜色;所使用的训练图片是在现实场景中由多个无重叠视野的摄像机拍摄的图片,经过行人检测器检测或手工标定得到的包含行人大部分部位的图片,身份和属性标签都由手工标定;再识别数据集包括Market-1501和DukeMTMC-reID;
(2)采用深度卷积神经网络主体框架为50层的深度残差网络模型——ResNet50模型;ResNet50模型包含多个卷积层和池化层,最后一个隐含层经过全局平均池化操作后,接一个含有1000神经元的全连接层,用于预测ImageNet数据集的图片类别;使用在ImageNet预训练过的ResNet50模型架构和参数,只将最后含有1000神经元的全连接层换成含有2048神经元的全连接层,用于学习同时识别行人身份和属性和验证行人身份的行人判别性特征;
(3)设计基于行人身份和属性特征学习的行人识别任务;
包含两个特征学习任务:行人身份特征学习任务和行人属性特征学习任务;
所述行人身份特征学习任务是对训练集中行人图片Ii预测行人的身份类别,并与图片真实身份标签yi计算误差,使用的神经网络目标函数是交叉熵多分类损失函数,对批量处理的nbs张行人图片,交叉熵分类损失函数Lid计算如下:
式中,pid(Ii,yi)是神经网络预测行人图片Ii的身份类别为yi的概率;
行人属性特征学习任务是对训练集中行人图片Ii同时预测m个行人属性的类别,并与真实属性类别计算误差,其使用的神经网络目标函数是二值交叉熵损失函数,对批量处理的nbs张行人图片,二值交叉熵损失函数Lattr计算如下:
式中,ai,j是第i张行人图片第j个真实属性类别,patt(Ii,ai,j)是预测行人图片Ii的属性类别为ai,j的概率;
(4)使用批量样本中取最难的Triplet损失函数,Triplet损失函数的输入是三元组样本,包含锚点样本、正样本和负样本,其中正样本与锚点样本类别一致,而负样本与锚点样本类别不同;
每个批量样本通过随机采样P个行人类别,P<C,每个行人类别含有K个行人图片构成,每个批量样本共含有P×K张行人图片,每张图片会逐一作为锚点图片,表示身份类别为i行人的第so张图片,对应锚点图片的正样本是在批量样本中与属于同一个行人但特征距离最大的样本,而负样本是在批量样本中与属于不同行人类别但特征距离最小的样本,分别计算如下:
批量样本中取最难样本的Triplet损失函数表示如下:
式中,[x]+=max(0,x);
(5)联合步骤(3)和步骤(4)中两个任务,设计基于行人身份和属性特征学习的联合识别与验证任务,实现行人特征的最终学习,总的损失函数由步骤(3)和步骤(4)中的行人身份特征学习、行人属性特征学习和基于行人身份和属性特征的行人验证任务损失函数加权组成:
Ltotal=Lid+λ1Latt+λ2Ltrip
将行人训练集图片以及图片对应的行人身份标记和行人属性标签输入给ResNet50深度卷积神经网络模型,同时监督式学习行人身份识别、行人属性识别和行人身份验证三个任务,利用身份和属性标签的互补信息,学习身份特征和属性特征,从而实现具有关联性多任务之间的特征学习;
(6)测试阶段:使用训练达到迭代次数的深度卷积神经网络分别对待检索行人图片和行人测试集提取行人特征,然后使用欧式距离、余弦距离或其他距离度量方法对待检索图片与测试集的行人特征之间做相似性度量,相似性达到预设值即为同一行人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803996.2A CN110580460A (zh) | 2019-08-28 | 2019-08-28 | 基于行人身份和属性特征联合识别验证的行人再识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803996.2A CN110580460A (zh) | 2019-08-28 | 2019-08-28 | 基于行人身份和属性特征联合识别验证的行人再识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110580460A true CN110580460A (zh) | 2019-12-17 |
Family
ID=68812244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910803996.2A Pending CN110580460A (zh) | 2019-08-28 | 2019-08-28 | 基于行人身份和属性特征联合识别验证的行人再识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580460A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259786A (zh) * | 2020-01-14 | 2020-06-09 | 浙江大学 | 一种基于视频的外观和运动信息同步增强的行人重识别方法 |
CN111582383A (zh) * | 2020-05-09 | 2020-08-25 | 浙江商汤科技开发有限公司 | 属性识别方法及装置、电子设备和存储介质 |
CN111598004A (zh) * | 2020-05-18 | 2020-08-28 | 北京星闪世图科技有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111898736A (zh) * | 2020-07-23 | 2020-11-06 | 武汉大学 | 基于属性感知的高效行人重识别方法 |
CN111914109A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种基于深度度量学习的服装检索技术 |
CN112001353A (zh) * | 2020-09-03 | 2020-11-27 | 杭州云栖智慧视通科技有限公司 | 一种基于多任务联合监督学习的行人再识别方法 |
CN112084998A (zh) * | 2020-09-22 | 2020-12-15 | 杭州云栖智慧视通科技有限公司 | 一种基于属性信息辅助的行人再识别方法 |
CN112132059A (zh) * | 2020-09-25 | 2020-12-25 | 中南民族大学 | 一种基于深度条件随机场的行人重识别方法和系统 |
CN112241682A (zh) * | 2020-09-14 | 2021-01-19 | 同济大学 | 一种基于分块以及多层信息融合的端到端行人搜索方法 |
CN112434654A (zh) * | 2020-12-07 | 2021-03-02 | 安徽大学 | 一种基于对称卷积神经网络的跨模态行人重识别方法 |
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 |
CN113051962A (zh) * | 2019-12-26 | 2021-06-29 | 四川大学 | 基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法 |
CN113139501A (zh) * | 2021-05-12 | 2021-07-20 | 深圳市七诚科技有限公司 | 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 |
CN113344012A (zh) * | 2021-07-14 | 2021-09-03 | 马上消费金融股份有限公司 | 物品识别方法、装置及设备 |
CN114266973A (zh) * | 2021-12-23 | 2022-04-01 | 华侨大学 | 基于人车部件联合学习的载人电动车再识别方法及系统 |
CN115830633A (zh) * | 2022-11-24 | 2023-03-21 | 之江实验室 | 基于多任务学习残差神经网络的行人重识别方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138998A (zh) * | 2015-09-07 | 2015-12-09 | 上海交通大学 | 基于视角自适应子空间学习算法的行人重识别方法及系统 |
CN106780906A (zh) * | 2016-12-28 | 2017-05-31 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的人证合一识别方法及系统 |
CN107301380A (zh) * | 2017-06-01 | 2017-10-27 | 华南理工大学 | 一种用于视频监控场景中行人重识别的方法 |
CN109711281A (zh) * | 2018-12-10 | 2019-05-03 | 复旦大学 | 一种基于深度学习的行人重识别与特征识别融合方法 |
CN109800710A (zh) * | 2019-01-18 | 2019-05-24 | 北京交通大学 | 行人重识别系统及方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
-
2019
- 2019-08-28 CN CN201910803996.2A patent/CN110580460A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138998A (zh) * | 2015-09-07 | 2015-12-09 | 上海交通大学 | 基于视角自适应子空间学习算法的行人重识别方法及系统 |
CN106780906A (zh) * | 2016-12-28 | 2017-05-31 | 北京品恩科技股份有限公司 | 一种基于深度卷积神经网络的人证合一识别方法及系统 |
CN107301380A (zh) * | 2017-06-01 | 2017-10-27 | 华南理工大学 | 一种用于视频监控场景中行人重识别的方法 |
CN109711281A (zh) * | 2018-12-10 | 2019-05-03 | 复旦大学 | 一种基于深度学习的行人重识别与特征识别融合方法 |
CN109800710A (zh) * | 2019-01-18 | 2019-05-24 | 北京交通大学 | 行人重识别系统及方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIANWEN W.等: "Enhancing Person Retrieval with Joint Person Detection,Attribute Learning,and Identification", 《PCM 2018: ADVANCES IN MULTIMEDIA INFORMATION PROCESSING》 * |
YUQI LI等: "Deep joint discriminative learning for vehicle re-identification and retrieval", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
何果财等: "基于图像三元组挖掘的无监督视觉表示学习", 《计算机学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051962A (zh) * | 2019-12-26 | 2021-06-29 | 四川大学 | 基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法 |
CN111259786A (zh) * | 2020-01-14 | 2020-06-09 | 浙江大学 | 一种基于视频的外观和运动信息同步增强的行人重识别方法 |
CN111259786B (zh) * | 2020-01-14 | 2022-05-03 | 浙江大学 | 一种基于视频的外观和运动信息同步增强的行人重识别方法 |
CN111582383A (zh) * | 2020-05-09 | 2020-08-25 | 浙江商汤科技开发有限公司 | 属性识别方法及装置、电子设备和存储介质 |
CN111582383B (zh) * | 2020-05-09 | 2023-05-12 | 浙江商汤科技开发有限公司 | 属性识别方法及装置、电子设备和存储介质 |
CN111598004A (zh) * | 2020-05-18 | 2020-08-28 | 北京星闪世图科技有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
CN111598004B (zh) * | 2020-05-18 | 2023-12-08 | 江苏星闪世图科技(集团)有限公司 | 一种渐进增强自学习的无监督跨领域行人再识别方法 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111898736A (zh) * | 2020-07-23 | 2020-11-06 | 武汉大学 | 基于属性感知的高效行人重识别方法 |
CN111914109A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种基于深度度量学习的服装检索技术 |
CN112001353A (zh) * | 2020-09-03 | 2020-11-27 | 杭州云栖智慧视通科技有限公司 | 一种基于多任务联合监督学习的行人再识别方法 |
CN112001353B (zh) * | 2020-09-03 | 2023-02-17 | 杭州云栖智慧视通科技有限公司 | 一种基于多任务联合监督学习的行人再识别方法 |
CN112241682A (zh) * | 2020-09-14 | 2021-01-19 | 同济大学 | 一种基于分块以及多层信息融合的端到端行人搜索方法 |
CN112241682B (zh) * | 2020-09-14 | 2022-05-10 | 同济大学 | 一种基于分块以及多层信息融合的端到端行人搜索方法 |
CN112084998A (zh) * | 2020-09-22 | 2020-12-15 | 杭州云栖智慧视通科技有限公司 | 一种基于属性信息辅助的行人再识别方法 |
CN112132059B (zh) * | 2020-09-25 | 2021-04-20 | 中南民族大学 | 一种基于深度条件随机场的行人重识别方法和系统 |
CN112132059A (zh) * | 2020-09-25 | 2020-12-25 | 中南民族大学 | 一种基于深度条件随机场的行人重识别方法和系统 |
CN112434654A (zh) * | 2020-12-07 | 2021-03-02 | 安徽大学 | 一种基于对称卷积神经网络的跨模态行人重识别方法 |
CN112434654B (zh) * | 2020-12-07 | 2022-09-13 | 安徽大学 | 一种基于对称卷积神经网络的跨模态行人重识别方法 |
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 |
CN112613474B (zh) * | 2020-12-30 | 2022-01-18 | 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 |
CN113139501A (zh) * | 2021-05-12 | 2021-07-20 | 深圳市七诚科技有限公司 | 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 |
CN113139501B (zh) * | 2021-05-12 | 2024-06-11 | 深圳市七诚科技有限公司 | 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 |
CN113344012A (zh) * | 2021-07-14 | 2021-09-03 | 马上消费金融股份有限公司 | 物品识别方法、装置及设备 |
CN114266973A (zh) * | 2021-12-23 | 2022-04-01 | 华侨大学 | 基于人车部件联合学习的载人电动车再识别方法及系统 |
CN115830633A (zh) * | 2022-11-24 | 2023-03-21 | 之江实验室 | 基于多任务学习残差神经网络的行人重识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580460A (zh) | 基于行人身份和属性特征联合识别验证的行人再识别方法 | |
CN111126360B (zh) | 基于无监督联合多损失模型的跨域行人重识别方法 | |
CN111709311B (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
Rao et al. | Attention-aware deep reinforcement learning for video face recognition | |
Bendale et al. | Towards open set deep networks | |
CN108921107B (zh) | 基于排序损失和Siamese网络的行人再识别方法 | |
Han et al. | Object detection in optical remote sensing images based on weakly supervised learning and high-level feature learning | |
Yin et al. | Adversarial attribute-image person re-identification | |
CN110807434B (zh) | 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 | |
CN111783576B (zh) | 基于改进型YOLOv3网络和特征融合的行人重识别方法 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN110598535B (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
CN110728216A (zh) | 一种基于行人属性自适应学习的无监督行人再识别方法 | |
CN112149538A (zh) | 一种基于多任务学习的行人重识别方法 | |
CN113221655B (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
CN113313037A (zh) | 一种基于自注意力机制的生成对抗网络视频异常检测方法 | |
CN112528777A (zh) | 一种用于课堂环境下的学生面部表情识别方法及系统 | |
Chouchane et al. | Improving CNN-based Person Re-identification using score Normalization | |
CN117333948A (zh) | 一种融合时空注意力机制的端到端多目标肉鸡行为识别方法 | |
Fritz et al. | Object recognition using local information content | |
CN111950452A (zh) | 一种人脸识别方法 | |
CN112307894A (zh) | 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法 | |
Kimura et al. | Facial point detection based on a convolutional neural network with optimal mini-batch procedure |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191217 |