CN110705384B - 一种基于跨域迁移增强表示的车辆再识别方法 - Google Patents

一种基于跨域迁移增强表示的车辆再识别方法 Download PDF

Info

Publication number
CN110705384B
CN110705384B CN201910866858.9A CN201910866858A CN110705384B CN 110705384 B CN110705384 B CN 110705384B CN 201910866858 A CN201910866858 A CN 201910866858A CN 110705384 B CN110705384 B CN 110705384B
Authority
CN
China
Prior art keywords
domain
vehicle
sample
attribute
target domain
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
CN201910866858.9A
Other languages
English (en)
Other versions
CN110705384A (zh
Inventor
苏育挺
陈琦
井佩光
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910866858.9A priority Critical patent/CN110705384B/zh
Publication of CN110705384A publication Critical patent/CN110705384A/zh
Application granted granted Critical
Publication of CN110705384B publication Critical patent/CN110705384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于跨域迁移增强表示的车辆再识别方法，包括：基于低秩表示框架获取总目标函数并优化，迭代更新直至目标函数值收敛；在目标域中，由新样本的图片特征向量及迭代得到的各个字典集，得到每一样本的相对于用户定义车辆属性字典的映射
Figure DDA0002201505150000011
相对于源域与目标域所共有的判别性特征字典的映射
Figure DDA0002201505150000012
相对于目标域所独有的判别性特征字典的映射
Figure DDA0002201505150000013
并将
Figure DDA0002201505150000014
称为判别性特征；利用映射
Figure DDA0002201505150000015
由线性求解出该样本属性向量
Figure DDA0002201505150000016
从而目标域的新样本均可由其属性向量
Figure DDA0002201505150000017
和判别性特征向量zT表示；计算目标域中待匹配车辆样本与候选样本i的属性向量之间的余弦距离
Figure DDA0002201505150000018
再计算待匹配车辆样本与该候选样本的判别性特征向量之间的余弦距离
Figure DDA0002201505150000019
并对两个余弦距离
Figure DDA00022015051500000110
进行求和，对所有候选样本计算得到的{Δi}从大到小排序。

Description

一种基于跨域迁移增强表示的车辆再识别方法
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于跨域迁移增强表示的车辆再识别方法。
背景技术
随着城市与交通系统的发展，监控摄像头的安装越来越普及，多摄像头场景下的车辆再识别问题越来越受到研究者们的广泛关注。车辆再识别技术可以协助警方对嫌疑车辆进行锁定，这对于安防与监控具有重大意义。车辆再识别系统一般采用无重叠视域的监控系统拍摄到的车辆图像，然而，从不同摄像头中获取的车辆图像往往包含视角变化、分辨率、光照变化、模糊等问题，这给车辆再识别带来巨大的挑战。如何解决这些问题，完成高精确度的车辆再识别，成为智能交通领域的突出问题。
车辆特征表示，是车辆再识别过程中的关键一环。目前计算机视觉领域的识别任务中采取的特征包括：低层颜色、纹理、形状边缘特征，中层语义属性特征及卷积神经网络所提取的深层特征。在实际应用过程中通常将三者融合在一起使用，从而获得更加稳定的特征表示。然而，在实际特征融合过程中，由于不同类型特征之间的异构性存在噪声干扰等情况，制约着模型的识别精度。低秩约束在挖掘数据的潜在的本征表示方面具有良好的应用前景，研究者们使用低秩约束方法在提高数据特征表示能力和消除数据中的噪声方面做了一些研究。
在完成车辆再识别任务的过程中，研究者们一般采用在现有大型车辆图片数据库(源域)上先提取特征，训练车辆再识别的模型，再将这一模型应用到需要完成再识别任务的目标域上的方法。但由于源域车辆图片与目标域车辆图片之间存在车辆数据与拍摄设备之间的差异，往往在源域训练的模型，应用到目标域中再识别的效果不好。
此外，在实际应用中，目标数据库可能存在样本数量少、缺少属性标注、受到噪声污染等问题。
发明内容
本发明提供了一种基于跨域迁移增强表示的车辆再识别方法，本发明通过借助低秩在挖掘数据之间潜在联系的优势，设计一种新颖的融合源域与目标域的低秩表示框架以获得车辆图像更鲁棒本征的特征表示，并在此框架下建立源域与目标域之间的联系，将源域数据库中提供的丰富的车辆再识别先验信息迁移到目标域中以获取车辆的更高层的语义表示，从而有效完成目标数据库的车辆再识别过程，并有效地提高车辆再识别的准确性，详见下文描述：
一种基于跨域迁移增强表示的车辆再识别方法，所述方法包括：
基于源域与目标域的特征低秩表示项、跨域属性迁移项和样本间自适应关联分析项得到一种新颖的融合源域与目标域的低秩表示框架；
基于低秩表示框架获取总目标函数并优化，迭代更新直至目标函数值收敛，获取各个字典集；
在目标域中，由新样本的图片特征向量及迭代得到的各个字典集，得到每一样本的相对于用户定义车辆属性字典的映射
Figure BDA0002201505130000021
相对于源域与目标域所共有的判别性特征字典的映射/>
Figure BDA0002201505130000022
相对于目标域所独有的判别性特征字典的映射/>
Figure BDA0002201505130000023
并将/>
Figure BDA0002201505130000024
称为判别性特征；
利用映射
Figure BDA0002201505130000025
由线性求解出该样本属性向量/>
Figure BDA0002201505130000026
从而目标域的新样本均可由其属性向量/>
Figure BDA0002201505130000027
和判别性特征向量zT表示；
计算目标域中待匹配车辆样本与候选样本i的属性向量之间的余弦距离
Figure BDA0002201505130000028
再计算待匹配车辆样本与该候选样本的判别性特征向量之间的余弦距离/>
Figure BDA0002201505130000029
并对两个余弦距离
Figure BDA00022015051300000210
Figure BDA00022015051300000211
进行求和，记作Δi，对所有候选样本计算得到的{Δi}进行从大到小排序，最大的为车辆再识别结果。
其中，所述特征低秩表示项的构建具体为：构建源域与目标域的特征低秩表示项。
进一步地，所述跨域属性迁移项的构建具体为：利用源域用户定义车辆属性标签信息，引入对源域用户定义属性标签的松弛表示。
其中，所述样本间自适应关联分析项的构建具体为：
利用源域车辆类别标签，并使用图拉普拉斯正则对源域和目标域共有判别性特征子空间、目标域车辆属性子空间、目标域车辆判别性特征子空间进行判别性约束。
进一步地，将源域车辆图片特征矩阵使用用户定义车辆属性字典集及其映射、源域与目标域所共有的判别性特征字典集及其映射和背景误差进行表示；目标域的车辆图片特征矩阵使用用户定义车辆属性字典集及其映射、源域与目标域所共有的判别性特征字典集及其映射、目标域所独有的判别性特征字典集及其映射、和背景误差进行表示。
本发明提供的技术方案的有益效果是：
1、本发明通过提取源域和目标域样本的特征向量，将其分为源域与目标域所共有的判别性特征、目标域所独有的判别性特征和背景误差，并引入用户定义属性标签，更为全面地描述了源域和目标域样本，为源域和目标域之间建立起多种连接，从而实现目标域无监督车辆再识别；
2、本发明利用低秩表示，通过对各部分字典集进行低秩约束，对源域与目标域中的样本关系进行了更加稳定的限制；
3、本发明对用户定义属性标签的松弛表示与低秩约束，有效地利用用户定义属性标签信息，同时通过学习补充缺失的属性信息，进一步提高样本表述的准确性。
附图说明
图1为一种基于跨域迁移增强表示的车辆再识别方法流程图；
图2为车辆图片特征提取表示的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提供了一种基于跨域迁移增强表示的车辆再识别方法，参见图1，该方法包括以下步骤：
101：将用户定义车辆属性字典集用Du表示，及其在源域的映射用
Figure BDA0002201505130000031
表示，源域与目标域所共有的判别性特征字典集用Dds表示，及其在源域的映射用/>
Figure BDA0002201505130000032
表示，源域背景误差用ES表示，则源域车辆图片特征矩阵可由Du,/>
Figure BDA0002201505130000033
Dds,/>
Figure BDA0002201505130000034
ES表示；将字典集Du在目标域的映射用/>
Figure BDA0002201505130000039
表示，将字典集Dds在目标域的映射用/>
Figure BDA0002201505130000035
表示，将目标域所独有的判别性特征字典集用Ddu表示，及其映射用/>
Figure BDA0002201505130000036
表示，目标域背景误差用ET表示，则目标域车辆图片特征矩阵可由/>
Figure BDA0002201505130000037
Ddu,/>
Figure BDA0002201505130000038
ET表示，并对各个字典集添加低秩约束，构建源域与目标域的特征低秩表示项；
102：利用源域用户定义车辆属性标签信息，引入对源域用户定义属性标签的松弛表示，构建跨域属性迁移项；
103：利用源域车辆类别标签，并使用图拉普拉斯正则对源域和目标域共有判别性特征子空间、目标域车辆属性子空间、目标域车辆判别性特征子空间进行判别性约束，构建样本间自适应关联分析项；
104：基于源域与目标域的特征低秩表示项、跨域属性迁移项和样本间自适应关联分析项得到一种新颖的融合源域与目标域的低秩表示框架；
105：基于此低秩表示框架获取总目标函数，利用交替方向乘子法优化总目标函数，引入拉格朗日乘子，依次迭代更新各个变量及参数，包括各个字典集及其映射、误差项、拉格朗日乘子与平衡参数，直至目标函数值收敛，进而获取各个字典集；
106：在目标域中，由新样本的图片特征向量及迭代得到的各个字典集，得到每一样本的相对于用户定义车辆属性字典的映射
Figure BDA0002201505130000041
相对于源域与目标域所共有的判别性特征字典的映射/>
Figure BDA0002201505130000042
相对于目标域所独有的判别性特征字典的映射/>
Figure BDA0002201505130000043
并将/>
Figure BDA0002201505130000044
称为判别性特征；
107：利用映射
Figure BDA0002201505130000045
由线性方法求解出该样本属性向量/>
Figure BDA0002201505130000046
从而目标域的新样本均可以由其属性向量/>
Figure BDA0002201505130000047
和判别性特征向量zT表示；
108：计算目标域中待匹配车辆样本(probe)与候选样本(gallery)i的属性向量之间的余弦距离
Figure BDA0002201505130000048
再计算待匹配车辆样本(probe)与该候选样本的判别性特征向量之间的余弦距离/>
Figure BDA0002201505130000049
并对两个余弦距离/>
Figure BDA00022015051300000410
进行求和，记作Δi，对所有候选样本计算得到的{Δi}进行排序，其中Δi最大的为车辆再识别结果。
综上所述，本发明实施例通过引入源域数据的辅助，对样本特征矩阵分成几个部分进行学习，并引入松弛学习、低秩约束与图拉普拉斯正则项，有效地获取了目标域中新样本的表达，从而有效地完成目标域无监督的车辆再识别任务。
实施例2
下面结合计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
参见图2，在源域和目标域利用ResNet50(残差网络)移除最后一个全连接层提取2048维深度特征，2784维颜色和纹理描述子使用l2范数对每种类型的特征进行标准化，然后将它们连接起来形成一个4832维的特征表示，最后，将4832维特征进行归一化得到源域特征矩阵XS，目标域特征矩阵XT。
其中，颜色和纹理描述子由8个颜色通道RGB，HSV和YCbCr(V和Y仅选取一个通道使用)和19个纹理通道Gabor和Schmid组成。
对源域属性标注进行二进制转换，比如数据库对红色车辆的颜色属性标注为“3”，转换后则“是否为红色车辆”属性位被标注为“1”，其他的颜色属性位被标注为“-1”将转换后的用户定义属性矩阵标注为H。
构建源域与目标域的特征低秩表示项，将源域车辆图片特征矩阵使用用户定义车辆属性字典集及其映射、源域与目标域所共有的判别性特征字典集及其映射和背景误差进行表示；目标域的车辆图片特征矩阵使用用户定义车辆属性字典集及其映射、源域与目标域所共有的判别性特征字典集及其映射、目标域所独有的判别性特征字典集及其映射、和背景误差进行表示。
进一步应用低秩项约束各部分字典集，如下述公式(1)：
Figure BDA0002201505130000051
其中，
Figure BDA0002201505130000052
表示源域特征矩阵，/>
Figure BDA0002201505130000053
表示目标域特征矩阵，其中D表示特征向量的维度，NS表示源域样本数量，NT表示目标域样本数量。Du∈RD×K表示用户定义属性字典集，其中K表示用户定义字典向量的维度，/>
Figure BDA0002201505130000054
表示源域特征矩阵对于字典集Du的映射，/>
Figure BDA0002201505130000055
表示目标域特征矩阵对于字典集Du的映射。/>
Figure BDA0002201505130000056
表示源域与目标域所共有的判别性特征字典集，/>
Figure BDA0002201505130000057
表示目标域所独有的判别性特征字典集，其中
Figure BDA0002201505130000058
表示共有的判别性特征字典向量的维度，/>
Figure BDA0002201505130000059
表示目标域所独有的判别性特征字典向量的维度。/>
Figure BDA00022015051300000510
表示源域特征向量对于字典集Dds的映射，/>
Figure BDA00022015051300000511
表示目标域特征向量对于字典集Dds的映射，/>
Figure BDA00022015051300000512
表示目标域特征向量对于字典集Ddu的映射，
Figure BDA00022015051300000513
表示源域中的背景误差信息，/>
Figure BDA00022015051300000514
表示目标域中的背景误差信息，其中||*||*代表核范数，用于获取数据的低秩表示，β表示平衡约束项与学习项的参数。
构建跨域属性迁移项，有效地利用源域用户定义车辆属性标签信息，引入对源域用户定义属性标签的松弛表示，同时通过学习补充缺失的属性信息，如下述公式(2)：
Figure BDA00022015051300000515
/>
其中，
Figure BDA0002201505130000061
表示对源域用户定义属性标签的松弛表示，p表示第p种属性，q表示第q个样本，/>
Figure BDA0002201505130000062
表示样本q不具有属性p，/>
Figure BDA0002201505130000063
表示样本q具有属性p。⊙是点乘操作，/>
Figure BDA0002201505130000064
是冗余矩阵，当/>
Figure BDA0002201505130000065
时，bpq＝1；当/>
Figure BDA0002201505130000066
时，bpq＝-1，/>
Figure BDA0002201505130000067
是非负标签松弛矩阵，初始化为1矩阵。η表示平衡松弛学习项与低秩约束项的参数。
构建样本间自适应关联分析项，利用源域车辆类别标签，并使用图拉普拉斯正则对源域和目标域共有判别性特征子空间、目标域车辆属性子空间、目标域车辆判别性特征子空间进行判别性约束，从而使各个子空间中，属于同一类别的样本距离更近，并添加低秩约束项，如下述公式(3)：
Figure BDA0002201505130000068
其中，
Figure BDA0002201505130000069
是表示源域中类关系的亲和矩阵，i表示第i个样本，j表示第j个样本，若两样本i,j属于同一类别则/>
Figure BDA00022015051300000610
否则/>
Figure BDA00022015051300000611
Figure BDA00022015051300000612
是表示目标域中类关系的亲和矩阵初始化为/>
Figure BDA00022015051300000613
Figure BDA00022015051300000614
表示一个对角阵，它的每一项为MS矩阵对应行所有元素的和。/>
Figure BDA00022015051300000615
表示一个对角阵，它的每一项为MT矩阵对应行所有元素的和。tr表示矩阵的迹，矩阵右上角的T表示矩阵转置。
整合上述公式(1)-(3)，得到一种新颖的融合源域与目标域的低秩表示框架，即总目标函数为：
Figure BDA00022015051300000616
其中η,β,γ为平衡参数。
通过加权获取总目标函数，利用交替方向乘子法优化总目标函数，引入拉格朗日乘子，依次迭代更新各个参数，直至目标函数值收敛，进而获取各个字典集Du,Dds,Ddu。
由迭代得到的各个字典集，对目标域的新样本进行表示，求解样本的属性向量。
目标域的新样本特征向量xT∈RD×1可以根据各个字典集进行表示，构建为：
Figure BDA0002201505130000071
其中，
Figure BDA0002201505130000072
表示该样本特征向量对字典集Du的映射，/>
Figure BDA0002201505130000073
表示该样本特征向量对字典集Dds的映射，/>
Figure BDA0002201505130000074
表示该样本特征向量对字典集Ddu的映射，eT∈RD×1为误差项，初始化为零向量，μ表示平衡系数，可以由线性系统方法来求解。将/>
Figure BDA0002201505130000075
将称为判别性特征向量。
在得到
Figure BDA0002201505130000076
之后，该样本的属性向量/>
Figure BDA0002201505130000077
可以由以下方式来求解：
Figure BDA0002201505130000078
其中，
Figure BDA0002201505130000079
表示该样本的第p个属性，/>
Figure BDA00022015051300000710
表示该样本具有第p个属性，/>
Figure BDA00022015051300000711
表示该样本不具有第p个属性。
从而目标域的新样本xT均可以由其属性向量
Figure BDA00022015051300000712
和判别性特征向量zT表示。
计算待匹配车辆样本(probe)与候选样本(gallery)i的属性向量之间的余弦距离
Figure BDA00022015051300000713
再计算待匹配车辆样本(probe)与该候选样本的判别性特征向量之间的余弦距离/>
Figure BDA00022015051300000714
并对/>
Figure BDA00022015051300000715
进行求和，记作Δi。对所有候选样本计算得到的{Δi}进行排序，其中Δi最大的为车辆再识别结果。
综上所述，本发明实施例通过引入源域数据的辅助，对样本特征矩阵分成几个部分进行学习，并引入松弛学习、低秩约束与图拉普拉斯正则项，有效地获取了目标域中新样本的表达，从而有效地完成目标域无监督的车辆再识别任务。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于跨域迁移增强表示的车辆再识别方法，其特征在于，所述方法包括：
基于源域与目标域的特征低秩表示项、跨域属性迁移项和样本间自适应关联分析项得到一种新颖的融合源域与目标域的低秩表示框架；
基于低秩表示框架获取总目标函数并优化，迭代更新直至目标函数值收敛，获取各个字典集；
在目标域中，由新样本的图片特征向量及迭代得到的各个字典集，得到每一样本的相对于用户定义车辆属性字典的映射
Figure FDA0003861616970000011
相对于源域与目标域所共有的判别性特征字典的映射/>
Figure FDA0003861616970000012
相对于目标域所独有的判别性特征字典的映射/>
Figure FDA0003861616970000013
并将/>
Figure FDA0003861616970000014
称为判别性特征向量；
利用映射
Figure FDA0003861616970000015
由线性求解出该样本属性向量/>
Figure FDA0003861616970000016
从而目标域的新样本均可由其属性向量
Figure FDA0003861616970000017
和判别性特征向量zT表示；
计算目标域中待匹配车辆样本与候选样本i的属性向量之间的余弦距离
Figure FDA0003861616970000018
再计算待匹配车辆样本与该候选样本的判别性特征向量之间的余弦距离/>
Figure FDA0003861616970000019
并对两个余弦距离/>
Figure FDA00038616169700000110
Figure FDA00038616169700000111
进行求和，记作Δi，对所有候选样本计算得到的{Δi}进行从大到小排序，最大的为车辆再识别结果。
2.根据权利要求1所述的一种基于跨域迁移增强表示的车辆再识别方法，其特征在于，所述特征低秩表示项的构建具体为：构建源域与目标域的特征低秩表示项。
3.根据权利要求1所述的一种基于跨域迁移增强表示的车辆再识别方法，其特征在于，所述跨域属性迁移项的构建具体为：利用源域用户定义车辆属性标签信息，引入对源域用户定义属性标签的松弛表示。
4.根据权利要求1所述的一种基于跨域迁移增强表示的车辆再识别方法，其特征在于，所述样本间自适应关联分析项的构建具体为：
利用源域车辆类别标签，并使用图拉普拉斯正则对源域和目标域共有判别性特征子空间、目标域车辆属性子空间、目标域车辆判别性特征子空间进行判别性约束。
5.根据权利要求2所述的一种基于跨域迁移增强表示的车辆再识别方法，其特征在于，
将源域车辆图片特征矩阵使用用户定义车辆属性字典集及其映射、源域与目标域所共有的判别性特征字典集及其映射和背景误差进行表示；目标域的车辆图片特征矩阵使用用户定义车辆属性字典集及其映射、源域与目标域所共有的判别性特征字典集及其映射、目标域所独有的判别性特征字典集及其映射、和背景误差进行表示。
CN201910866858.9A 2019-09-12 2019-09-12 一种基于跨域迁移增强表示的车辆再识别方法 Active CN110705384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910866858.9A CN110705384B (zh) 2019-09-12 2019-09-12 一种基于跨域迁移增强表示的车辆再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910866858.9A CN110705384B (zh) 2019-09-12 2019-09-12 一种基于跨域迁移增强表示的车辆再识别方法

Publications (2)

Publication Number Publication Date
CN110705384A CN110705384A (zh) 2020-01-17
CN110705384B true CN110705384B (zh) 2023-03-31

Family

ID=69195236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910866858.9A Active CN110705384B (zh) 2019-09-12 2019-09-12 一种基于跨域迁移增强表示的车辆再识别方法

Country Status (1)

Country Link
CN (1) CN110705384B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723857B (zh) * 2020-06-17 2022-03-29 中南大学 一种流程生产装备运行状态的智能监测方法与系统
CN111914911B (zh) * 2020-07-16 2022-04-08 桂林电子科技大学 一种基于改进深度相对距离学习模型的车辆再识别方法
CN116612445B (zh) * 2023-07-20 2023-10-31 华侨大学 基于自适应聚类和困难样本加权的无监督车辆再辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7998200A (en) * 1999-10-06 2001-05-10 Sensoria Corporation Method and apparatus for distributed signal processing among internetworked wireless integrated network sensors (wins)
CN104091151A (zh) * 2014-06-30 2014-10-08 南京信息工程大学 基于Gabor特征提取和稀疏表示的车辆识别方法
BE1023147B1 (nl) * 2015-07-03 2016-12-01 Cnh Industrial Belgium Nv Controller voor een werkvoertuig
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063684A (zh) * 2014-06-17 2014-09-24 南京信息工程大学 基于跨域字典学习的人体动作识别方法
KR102221118B1 (ko) * 2016-02-16 2021-02-26 삼성전자주식회사 영상의 특징을 추출하여 객체를 인식하는 방법
CN109308485B (zh) * 2018-08-02 2022-11-29 中国矿业大学 一种基于字典域适应的迁移稀疏编码图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7998200A (en) * 1999-10-06 2001-05-10 Sensoria Corporation Method and apparatus for distributed signal processing among internetworked wireless integrated network sensors (wins)
CN104091151A (zh) * 2014-06-30 2014-10-08 南京信息工程大学 基于Gabor特征提取和稀疏表示的车辆识别方法
BE1023147B1 (nl) * 2015-07-03 2016-12-01 Cnh Industrial Belgium Nv Controller voor een werkvoertuig
CN106778517A (zh) * 2016-11-25 2017-05-31 河南高速公路驻信段改扩建工程有限公司 一种监控视频序列图像车辆再识别的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《One Estimating Method of the State of Charge of Power Battery for Electronic Vehicle》;Dong Bing;《2014 Sixth International Conference on Measuring Technology and Mechatronics Automation》;20141231;第439页-第442页 *
《基于字典对齐的迁移稀疏编码图像分类》;李泽军;《电讯技术》;20181231(第8期);第878页-第884页 *

Also Published As

Publication number Publication date
CN110705384A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN106547880B (zh) 一种融合地理区域知识的多维度地理场景识别方法
CN109492099B (zh) 一种基于领域对抗自适应的跨领域文本情感分类方法
Wei et al. Coarse-to-fine: A RNN-based hierarchical attention model for vehicle re-identification
Liu et al. Open-world semantic segmentation via contrasting and clustering vision-language embedding
CN110705384B (zh) 一种基于跨域迁移增强表示的车辆再识别方法
CN107563444A (zh) 一种零样本图像分类方法及系统
CN110046671A (zh) 一种基于胶囊网络的文本分类方法
Gao et al. Multi‐dimensional data modelling of video image action recognition and motion capture in deep learning framework
CN109492750B (zh) 基于卷积神经网络和因素空间的零样本图像分类方法
CN113887661B (zh) 一种基于表示学习重构残差分析的图像集分类方法及系统
CN111079847A (zh) 一种基于深度学习的遥感影像自动标注方法
WO2022218396A1 (zh) 图像处理方法、装置和计算机可读存储介质
CN114461836A (zh) 一种用于图像-文本的跨模态检索方法
Zhang et al. An open set domain adaptation algorithm via exploring transferability and discriminability for remote sensing image scene classification
CN113065409A (zh) 一种基于摄像分头布差异对齐约束的无监督行人重识别方法
Akhlaghi et al. Farsi handwritten phone number recognition using deep learning
CN111898528B (zh) 数据处理方法、装置、计算机可读介质及电子设备
Zheng et al. Learning from the web: Webly supervised meta-learning for masked face recognition
CN109685103A (zh) 一种基于广义k均值算法的文本多标记学习方法
Wang et al. Design and implementation of handwritten digit recognition based on K-nearest neighbor algorithm
CN113378571A (zh) 一种文本数据的实体数据关系抽取方法
Zhou et al. An improved convolutional neural network model with adversarial net for multi-label image classification
Mao et al. A Transfer Learning Method with Multi-feature Calibration for Building Identification
CN111723241A (zh) 一种基于特征与多标签增强表示的短视频自动标注方法
Wang et al. SSPSNet: a single shot panoptic segmentation network for accurate scene parsing

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