CN110728238A - 一种融合型神经网络的人员再检测方法 - Google Patents
一种融合型神经网络的人员再检测方法 Download PDFInfo
- Publication number
- CN110728238A CN110728238A CN201910970957.1A CN201910970957A CN110728238A CN 110728238 A CN110728238 A CN 110728238A CN 201910970957 A CN201910970957 A CN 201910970957A CN 110728238 A CN110728238 A CN 110728238A
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- network
- fusion
- layer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims description 15
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000013102 re-test Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011524 similarity measure Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000271897 Viperidae Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种融合型神经网络的人员再检测方法，首先针对数据集小，训练样本不足问题，提出利用改进型的生成式对抗网络(GAN)扩大数据集；然后利用颜色模型HSV和尺度不变局部三元模式结合神经网络特征融合的方案有效地解决提取特征的问题；再者，在分类模型中，利用交叉熵损失来进行计算相似度量。此外，神经网络选用了收敛速度快，提取效果好的残差网络，并在最后的卷积层前加入了Dropout层，旨在防止过拟合。实验结果表明，在样本较少时，通过该特征融合方案有效的提取特征，具有一定的应用价值。
Description
技术领域
本发明涉及人员再检测技术领域，尤其涉及一种融合型神经网络的人员再检测方法。
背景技术
随着对跨境跟踪技术的关注不断增加，人员再检测技术也是一大研究热点。在实践中，由于许多外界因素的影响，更是加大了人员再检测技术的挑战。近年来，公共安全越来越受重视，马路上随处可见摄像监控。在安全和执法相关应用中，迫切需要在监控摄像机中识别行人的能力。传统方法中，识别行人的操作是由相关操作人员执行的，通常有边缘，梯度等手动设计特征，称为手动筛选；但是，在现在互联网的世界中，数据规模愈来愈大，手动筛选的方法已经不能满足人们的需要，因此，期望在不同摄像机中自动而又准确的匹配到行人，通常称为人员再检测，或称为行人再识别。在早期的研究中，由于图像处理，模式识别等相关技术的不成熟，人员再检测技术的发展也止步不前；近些年，高清摄像头的出现，图像处理技术的发展，使得人员再检测技术得到快速前进。然而，在发展前进的道路中，人员再检测技术面临着极大的挑战。不同的摄像装置存在着拍摄差异；同时行人在运动中也存在多样性的变化，其外观容易受到衣着、体型、姿势、实物的遮挡、光照背景等影响。
发明内容
针对现有技术的不足，本发明的目的是提供了一种融合型神经网络的人员再检测方法，首先针对数据集小，训练样本不足问题，提出利用改进型的生成式对抗网络(GAN)扩大数据集；然后利用颜色模型HSV和尺度不变局部三元模式结合神经网络特征融合的方案有效地解决提取特征的问题；再者，在分类模型中，利用交叉熵损失来进行计算相似度量。此外，神经网络选用了收敛速度快，提取效果好的残差网络，并在最后的卷积层前加入了Dropout层，旨在防止过拟合。实验结果表明，在样本较少时，通过该特征融合方案有效的提取特征，具有一定的应用价值。
本发明提供一种融合型神经网络的人员再检测方法，所述方法分为三个部分组成，第一部分涉及生成式对抗网络，利用生成式对抗网络GAN扩大数据集；第二部分为卷积神经网络，利用卷积，池化，激活函数基本操作来处理利用GAN网络产生的生成图像，结合额外的手动特征来提取输入图像，然后外接一个融合层，将卷积神神经网络和手动提取的特征进行融合，得到一个表征更完备的图像描述特征；第三部分为将最小化交叉熵应用于分类模型中，对人员再检测进行精度排序。
生成式对抗网络(GAN)属于无监督式学习网络，迅速应用于各类计算机视觉领域，在深度学习乃至机器学习中取得巨大成功。GAN包含生成式模型G和判别式模型D。生成器G学习如何从一个输入图像生成一张图像，而判别器D学习判断生成的图像是真实的图片还是由生成器G生成的“假的图像”，两个模型在互相博弈中取得学习，也称对抗式学习，使得生成图像逐渐逼近原始图像。为了进一步提升GAN的稳定性能和生成图片的质量性能，可以从两个方面考虑：一是如何寻找更好的模型来训练GAN网络；二是如何改进GAN中的损失函数。由此得到改进网络Deep Convolutional Generative Adversarial Networks(DCGAN)和Least Squares Generative Adversarial Networks(LSGAN)，本发明使用DCGAN。
进一步改进在于：所述GAN中的G和D为两个卷积神经网络，利用生成器G中用反卷积进行上采样，判别器D中用加入stride的卷积代替pooling，并且生成器G中使用Relu层，判别器D中使用LeakyRelu。第一大特色模块为相比于GAN在细节方面做了一下改进，把经典GAN中的G和D换成了两个卷积神经网络(CNN)。但是，并不是直接替换，利用生成器G中用反卷积进行上采样，判别器D中用加入stride的卷积代替pooling，并且生成器G中使用Relu层，判别器D中使用LeakyRelu。首先从一个100维的随机向量开始,然后用一个线性函数将它放大到4×4×1024。为了扩大这个张量,使用了4个步幅为2的微步幅卷积函数,它的内核大小为5×5。每一个微步幅卷积函数之后都有一个修正的线性单元和批处理单元。此外,还有一个可选步幅为1的反卷积层,它的内核大小为5×5,并加入了一个Tanh激活函数来微调结果。最后可以生成一个大小为64×64×3的样本。后可接双线性采样方法将生成的图像调整大小为256×256×3。这些图片是DCGAN在人脸数据集以及风景数据集上训练之后的生成图片，可以看到利用DCGAN再迭代次数高的情况下可以生成质量非常高的图片集，可达到扩充数据集的效果。
DCGAN的训练框架来对原始数据集的图像进行训练,训练前调整所有图像大小为128×48,并将其随机翻转，以便获得更随性的数据。训练迭代次数设置为50次,生成26000张256×256大小的图像。
将特征提取模块分为两部分：传统手动提取特征和卷积神经网络提取特征。采用传统的颜色描述符HSV和尺度不变局部三元模式(SILTP)来提取输入图像集。SILTP是众所周知的局部二元模式(LBP)的改进算子，LBP在单调灰度变换下具有良好的不变性，但它对图像噪声不稳健。SILTP通过引入尺度不变的局部比较容差来改善LBP，实现强度尺度变化的不变性和图像噪声的鲁棒性。
进一步改进在于：第一部分前对图像进行预处理，对图像进行等效分割处理，将图像水平方向分为六个条带，并对每一水平条带构建图像金字塔，计算单个直方图，旨在拥有更完善的多尺度信息。得到的直方图实现了视点变化的一些不变性，同时捕获了人的局部区域特征。具体操作如下：对原始128×48图像进行下采用，由两个2×2的滑动子窗口进行局部平均合并操作来描述人物图像的局部细节，子窗口步长为5像素，并重复上述过程，根据计算局部最大出现次数，最终得到两个SILTP直方图和8×8×bin的联合HSV直方图，每个直方图箱表示子窗口中一个模式的发生概率。为了解决视点变化，检查相同水平位置的所有子窗口，并最大化这些子窗口中每个模式的局部出现(即相同的直方图框)。得到的直方图实现了视点变化的一些不变性，同时捕获了人的局部区域特征。将得到的两者单一直方图，采用l1-norm进行标准化处理，将两者连成一个整体得到融合特征，称为联合描述子FFD(Fusion Feature Description)大小为960尺寸。然而，也可能丢失条带内的空间信息，从而缺少必要的特征表示，影响分辨效果。
进一步改进在于：生成图片采用残差网络ResNet来提取特征。
大部分的身体部位可以在图像中找到，但存在一些严重的扭曲和错位，因此，网络中的最后一个全连接层采用更高级别的卷积层，卷积层由预定义大小的过滤器堆叠组成，这些过滤器与层的输入卷积。卷积层使用的参数共享比密集矩阵乘法更有效(需要更少的计算和存储器存储)。参数共享还可以使卷积层与线性平移等效(即，输入中的任何移位将导致输出中的类似移位)。另外，池化层也多采用相应的非线性表达，这有助于特征提取的归一化。
DCGAN生成图像数据集运用神经网络ResNet18来进行特征提取，没有选取更深的网络，是防止梯度爆炸，以及层数增多所带来的训练要求高，时间长等缺点。此外，残差网络能通过残差函数很好的解决退化等问题，实现网络优化，收敛更快的效果。
本发明中所有训练图像在神经网络训练前被调整为256×256大小,然后随机水平翻转并裁剪为224×224大小。神经网络训练时,先给定学习率为0.05,然后在40次迭代训练后降低为0.001,训练集上分别迭代训练40次。训练策略应用小批量随机梯度下降SGD(Stochastic Gradient Desent)来修正参数，以实现更快的反向传播和更快的收敛。并在最后的卷积层前加入了Dropout层用来防止过拟合。绘制训练和校验损失曲线,可见当迭代30-40次以后训练效果基本达到最优。
进一步改进在于：手动特征提取的算子与CNN提取算子结合，经过一个融合层，两个特征提取通道互补得到一个2048的张量的特征来表征图像输入为：x＝[HS,RN_Features]，通过下述公式计算输出：
其中h(·)表示激活函数。
进一步改进在于：采用下采样层和ReLU层，下采样率设置为0.5，神经网络采用反馈传播算法，迭代公式为：
目标是有效的提取每张图像上的完备特征，而不是利用神经网络网络提取特征进行对比。因此，不是采用验证模型，而是选取分类模型。高效的特征表示会带来更低的损失。此处，选用softmax损失函数应用于模型中。对于单个输入向量x和单个输出节点最后一层，损失可以通过以下公式计算：
网络的最后一层设计为最小化交叉熵损失：
本发明的有益效果是：首先采用改进过的GAN网络对VIPeR数据集进行扩充，得到26000张256×256图像集，这对于特征提取有很好的减小过拟合情况；再者，用手动提取和神经网络提取相结合，对输入数据集和生成数据集进行特征提取，经过融合层得到更完备的特征表述；最后经过分类模型，采用Rank-k评价指标，通过计算交叉熵损失来对指定图像和测试集中图像的相似度进行排序。得到的结果与传统算法结果相较，性能有一定的提升。利用深度神经网络由以端到端方式同时学习的多层线性和非线性操作的学习方法。为准确地提取出具有鲁棒性能好的语义特征，通过多次迭代学习这些层的参数。为扩充数据集，采用生成式对抗网络GAN生成大量高质量的清晰图片。因此，在大量级的特征提取下，有效的改进了最初方法，性能得到了一定的提升。
附图说明
图1是本发明的Re-ID框架图。
图2是本发明的DCGAN网络结构图。
图3是本发明的残差网络设置单元图。
图4是本发明的残差网络训练精度和校验损失曲线。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。如图1-4所示，本实施例提供一种融合型神经网络的人员再检测方法，所述方法分为三个部分组成，第一部分涉及生成式对抗网络，利用生成式对抗网络GAN扩大数据集；第二部分为卷积神经网络，利用卷积，池化，激活函数基本操作来处理利用GAN网络产生的生成图像，结合额外的手动特征来提取输入图像，然后外接一个融合层，将卷积神神经网络和手动提取的特征进行融合，得到一个表征更完备的图像描述特征；第三部分为将最小化交叉熵应用于分类模型中，对人员再检测进行精度排序。
所述GAN中的G和D为两个卷积神经网络，利用生成器G中用反卷积进行上采样，判别器D中用加入stride的卷积代替pooling，并且生成器G中使用Relu层，判别器D中使用LeakyRelu。
第一部分前对图像进行预处理，对图像进行等效分割处理，将图像水平方向分为六个条带，并对每一水平条带构建图像金字塔，计算单个直方图，得到的直方图实现了视点变化的一些不变性，同时捕获了人的局部区域特征。
生成图片采用残差网络ResNet来提取特征。
手动特征提取的算子与CNN提取算子结合，经过一个融合层，两个特征提取通道互补得到一个2048的张量的特征来表征图像输入为：x＝[HS,RN_Features]，通过下述公式计算输出：
其中h(·)表示激活函数。
采用下采样层和ReLU层，下采样率设置为0.5，神经网络采用反馈传播算法，迭代公式为：
目标是有效的提取每张图像上的完备特征，而不是利用神经网络网络提取特征进行对比。因此，不是采用验证模型，而是选取分类模型。高效的特征表示会带来更低的损失。此处，选用softmax损失函数应用于模型中。对于单个输入向量x和单个输出节点最后一层，损失可以通过以下公式计算：网络的最后一层设计为最小化交叉熵损失：
相较与传统人员再检测算法，本实施例在构建网络框架的时候做了相应的优化:(1)当图像集较少时，在特征提取模块会缺少有用的信息描述，从而导致过拟合等现象，本实施例采用了DCGAN网络生成大量图片，扩充了输入数据集，可有效减消这一情况；(2)在特征提取的模块运用传统手工特征提取和神经网络相结合，颜色信息和纹理信息相结合，能提取更完备的特征表征，采用ResNet网络，并加入额外的卷积层，下采样等操作，可以达到更好的训练效果；(3)分类模型中通过交叉熵模型引入Dropout，可以达到减小过拟合现象。因此，在VIPeR数据集上训练精度比传统算法的训练精度要高，具体情况如下表1：
表1单行人检索评估表
根据上表可以看出，提出的结合手动提取与神经网络提取特征融合的方法要比传统的特征学习和度量学习所检测的效果要好。传统单一的特征提取的精度不能满足于需求。未来进一步可在缩短训练运行时间上继续发展，可对得到的融合特征进行再处理。
Claims (6)
1.一种融合型神经网络的人员再检测方法，其特征在于：所述方法分为三个部分组成，第一部分涉及生成式对抗网络，利用生成式对抗网络GAN扩大数据集；第二部分为卷积神经网络，利用卷积，池化，激活函数基本操作来处理利用GAN网络产生的生成图像，结合额外的手动特征来提取输入图像，然后外接一个融合层，将卷积神神经网络和手动提取的特征进行融合，得到一个表征更完备的图像描述特征；第三部分为将最小化交叉熵应用于分类模型中，对人员再检测进行精度排序。
2.如权利要求1所述的一种融合型神经网络的人员再检测方法，其特征在于：所述GAN中的G和D为两个卷积神经网络，利用生成器G中用反卷积进行上采样，判别器D中用加入stride的卷积代替pooling，并且生成器G中使用Relu层，判别器D中使用LeakyRelu。
3.如权利要求1所述的一种融合型神经网络的人员再检测方法，其特征在于：第一部分前对图像进行预处理，对图像进行等效分割处理，将图像水平方向分为六个条带，并对每一水平条带构建图像金字塔，计算单个直方图，得到的直方图实现了视点变化的一些不变性，同时捕获了人的局部区域特征。
4.如权利要求3所述的一种融合型神经网络的人员再检测方法，其特征在于：生成图片采用残差网络ResNet来提取特征。
5.如权利要求1所述的一种融合型神经网络的人员再检测方法，其特征在于：手动特征提取的算子与CNN提取算子结合，经过一个融合层，两个特征提取通道互补得到一个2048的张量的特征来表征图像输入为：x＝[HS,RN_Features]，通过下述公式计算输出：
其中h(·)表示激活函数。
6.如权利要求5所述的一种融合型神经网络的人员再检测方法，其特征在于：采用下采样层和ReLU层，下采样率设置为0.5，神经网络采用反馈传播算法，迭代公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910970957.1A CN110728238A (zh) | 2019-10-12 | 2019-10-12 | 一种融合型神经网络的人员再检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910970957.1A CN110728238A (zh) | 2019-10-12 | 2019-10-12 | 一种融合型神经网络的人员再检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110728238A true CN110728238A (zh) | 2020-01-24 |
Family
ID=69220076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910970957.1A Pending CN110728238A (zh) | 2019-10-12 | 2019-10-12 | 一种融合型神经网络的人员再检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728238A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037223A (zh) * | 2020-11-06 | 2020-12-04 | 中科创达软件股份有限公司 | 图像缺陷检测方法、装置及电子设备 |
| CN112230210A (zh) * | 2020-09-09 | 2021-01-15 | 南昌航空大学 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
| CN113240097A (zh) * | 2021-06-08 | 2021-08-10 | 西安邮电大学 | 一种数据扩充及分类的方法、系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960141A (zh) * | 2018-07-04 | 2018-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于增强型深度卷积神经网络的行人再识别方法 |
| US20180374233A1 (en) * | 2017-06-27 | 2018-12-27 | Qualcomm Incorporated | Using object re-identification in video surveillance |
| WO2019007004A1 (zh) * | 2017-07-04 | 2019-01-10 | 北京大学深圳研究生院 | 用于行人重识别的图像特征提取方法 |
| WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
| CN109446898A (zh) * | 2018-09-20 | 2019-03-08 | 暨南大学 | 一种基于迁移学习和特征融合的行人重识别方法 |
| CN109829918A (zh) * | 2019-01-02 | 2019-05-31 | 安徽工程大学 | 一种基于密集特征金字塔网络的肝脏图像分割方法 |
| CN109902590A (zh) * | 2019-01-30 | 2019-06-18 | 西安理工大学 | 深度多视图特征距离学习的行人重识别方法 |
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN110046599A (zh) * | 2019-04-23 | 2019-07-23 | 东北大学 | 基于深度融合神经网络行人重识别技术的智能监控方法 |
| WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
| CN110084108A (zh) * | 2019-03-19 | 2019-08-02 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 基于gan神经网络的行人重识别系统及方法 |
-
2019
- 2019-10-12 CN CN201910970957.1A patent/CN110728238A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180374233A1 (en) * | 2017-06-27 | 2018-12-27 | Qualcomm Incorporated | Using object re-identification in video surveillance |
| WO2019007004A1 (zh) * | 2017-07-04 | 2019-01-10 | 北京大学深圳研究生院 | 用于行人重识别的图像特征提取方法 |
| WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
| WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
| CN108960141A (zh) * | 2018-07-04 | 2018-12-07 | 国家新闻出版广电总局广播科学研究院 | 基于增强型深度卷积神经网络的行人再识别方法 |
| CN109446898A (zh) * | 2018-09-20 | 2019-03-08 | 暨南大学 | 一种基于迁移学习和特征融合的行人重识别方法 |
| CN109829918A (zh) * | 2019-01-02 | 2019-05-31 | 安徽工程大学 | 一种基于密集特征金字塔网络的肝脏图像分割方法 |
| CN109902590A (zh) * | 2019-01-30 | 2019-06-18 | 西安理工大学 | 深度多视图特征距离学习的行人重识别方法 |
| CN110084108A (zh) * | 2019-03-19 | 2019-08-02 | 华东计算技术研究所（中国电子科技集团公司第三十二研究所） | 基于gan神经网络的行人重识别系统及方法 |
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN110046599A (zh) * | 2019-04-23 | 2019-07-23 | 东北大学 | 基于深度融合神经网络行人重识别技术的智能监控方法 |
Non-Patent Citations (5)
| Title |
|---|
| JING-TAO WANG 等: "Pedestrian recognition in multi-camera networks based on deep transfer learning and feature visualization" * |
| 洪洋 等: "深度卷积对抗生成网络综述" * |
| 熊炜 等: "基于CNN的改进行人重识别技术" * |
| 王俊茜: "基于多任务联合监督学习的行人再识别研究" * |
| 韦忠亮 等: "基于深度学习和距离度量的行人再识别研究" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112230210A (zh) * | 2020-09-09 | 2021-01-15 | 南昌航空大学 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
| CN112037223A (zh) * | 2020-11-06 | 2020-12-04 | 中科创达软件股份有限公司 | 图像缺陷检测方法、装置及电子设备 |
| CN112037223B (zh) * | 2020-11-06 | 2021-03-26 | 中科创达软件股份有限公司 | 图像缺陷检测方法、装置及电子设备 |
| CN113240097A (zh) * | 2021-06-08 | 2021-08-10 | 西安邮电大学 | 一种数据扩充及分类的方法、系统 |
| CN113240097B (zh) * | 2021-06-08 | 2024-04-26 | 西安邮电大学 | 一种数据扩充及分类的方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bui et al. | Using grayscale images for object recognition with convolutional-recursive neural network | |
| Abbas et al. | Region-based object detection and classification using faster R-CNN | |
| Sabzmeydani et al. | Detecting pedestrians by learning shapelet features | |
| Le et al. | Deeply Supervised 3D Recurrent FCN for Salient Object Detection in Videos. | |
| CN110929593B (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN108537743A (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
| CN106845478A (zh) | 一种字符置信度的二次车牌识别方法及装置 | |
| CN113688894B (zh) | 一种融合多粒度特征的细粒度图像分类方法 | |
| Anwar et al. | Depth Estimation and Blur Removal from a Single Out-of-focus Image. | |
| CN105139004A (zh) | 基于视频序列的人脸表情识别方法 | |
| CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| Zhang et al. | License plate localization in unconstrained scenes using a two-stage CNN-RNN | |
| CN106529494A (zh) | 一种基于多摄像头机型的人脸识别方法 | |
| CN110728238A (zh) | 一种融合型神经网络的人员再检测方法 | |
| Saqib et al. | Person head detection in multiple scales using deep convolutional neural networks | |
| CN109165698A (zh) | 一种面向智慧交通的图像分类识别方法及其存储介质 | |
| CN106874825A (zh) | 人脸检测的训练方法、检测方法和装置 | |
| Cao et al. | Learning spatial-temporal representation for smoke vehicle detection | |
| CN116563410A (zh) | 基于两级生成对抗网络的电气设备电火花图像生成方法 | |
| Sharma et al. | Deepfakes Classification of Faces Using Convolutional Neural Networks. | |
| Huang et al. | Multi-Teacher Single-Student Visual Transformer with Multi-Level Attention for Face Spoofing Detection. | |
| CN113706404B (zh) | 一种基于自注意力机制的俯角人脸图像校正方法及系统 | |
| Wang et al. | Robust object representation by boosting-like deep learning architecture | |
| Chacon-Murguia et al. | Moving object detection in video sequences based on a two-frame temporal information CNN | |
| KR20180092453A (ko) | Cnn과 스테레오 이미지를 이용한 얼굴 인식 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |