CN110751027B - 一种基于深度多示例学习的行人重识别方法 - Google Patents
一种基于深度多示例学习的行人重识别方法 Download PDFInfo
- Publication number
- CN110751027B CN110751027B CN201910848519.8A CN201910848519A CN110751027B CN 110751027 B CN110751027 B CN 110751027B CN 201910848519 A CN201910848519 A CN 201910848519A CN 110751027 B CN110751027 B CN 110751027B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- feature
- probability
- characteristic
- deep multi
- 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
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Abstract
本发明公开了一种基于深度多示例学习的行人重识别方法,属于数字图像识别领域,本发明构建的行人重识别模型首先通过CNN获取多张不同尺寸的特征图;然后通过可学习的方式将每一张特征图划分为多个部分,得到深度多示例学习中的示例;最后对负示例进行丢弃后利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量;根据行人身份对输出的多个特征向量进行分类以对训练模型进行训练;对训练好的行人重识别模型输出的多个特征向量进行加权串接用于测试。本发明结合深度多示例学习思想,采用NetVLAD和GhostVLAD提取图片中的局部特征,提高了网络的抗形变能力,进而提高了行人重识别算法的准确率。
Description
技术领域
本发明属于数字图像识别技术领域,更具体地,涉及一种基于深度多示例学习的行人重识别方法。
背景技术
随着各种电子设备的发展和普及,监控已经开始逐步安装到各种公共场所,监控设备采集到的信息也在快速增长。在这种情况下,对监控采集到的这些巨量的信息的处理和利用就变成了一个迫切的需求,而行人重识别就是其中非常重要的一个方面。行人重识别任务可以理解为从一系列通过监控图像采集到的行人的图像的集合中寻找与给定的一个行人的图片最接近的一张(或几张)图片。其在罪犯追踪、走失人口找回等方面有着极为重要的作用。此外,行人重识别任务有助于利用商场监控建立顾客行为路线,从而进一步地分析顾客的行为,达到更合理的布局。总之行人重识别在很多地方都有着较大的需求,是计算机视觉中一个非常重要的任务。
目前行人重识别的主要算法基本可以分为三类:手工设计特征、基于深度学习的全局特征以及基于深度学习的局部特征。其中手工设计特征因为其判别能力有限而被后续的基于深度学习的特征大幅度超过,目前应用很少。对于基于深度学习的全局特征,因为传统CNN框架中存在的MaxPooling等层会导致网络容易抑制一些局部的响应偏弱的特征。而行人重识别任务本身作为一个精细化分类任务,这些局部的特征对于任务本身来说是非常重要的,因而相比与全局特征,基于局部的特征往往能取得较好的结果。
在局部特征的设计中,传统的方法多采用固定的局部划分方式,直接在特征图上通过水平切条等方式按照预先定义好的方式进行划分,但行人重识别任务中往往存在形变大、易遮挡等问题,这种固定的划分方式会因为行人位置在图片中的变化而产生错误的划分,从而导致识别的准确率降低。
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深度多示例学习的行人重识别方法,旨在解决在行人重识别局部特征的设计中,由于采用传统的区域划分方法划分得到的区域固定,不能适应行人重识别过程中存在的形变大、易遮挡的应用需求,而导致行人重识别准确率低的问题。
为实现上述目的,本发明提供了一种基于深度多示例学习的行人重识别方法,包括:(1)构建行人重识别模型;
所述行人重识别模型包括特征提取单元、示例挖掘单元、负示例丢弃单元;
所述特征提取单元,用于通过卷积神经网络对原始图像进行特征提取,得到多张不同尺度的特征图;
所述示例挖掘单元,用于通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,并将所述局部特征描述子作为深度多示例学习中的示例;
所述负示例丢弃单元,用于对所述示例中的负示例进行丢弃,并利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量;
(2)将原始图片作为所述行人重识别模型的输入,将原始图片内行人对应的身份标签作为所述行人重识别模型输出向量经过分类后的期望输出,对所述行人重识别模型进行训练;
(3)将目标图片和多个待检索图片分别输入训练好的行人重识别模型,将目标图片输出的多个特征向量进行加权串接后作为目标特征向量,将每个待检索图片输出的多个特征向量进行加权串接后作为待检索特征向量,计算目标特征向量与每个待检索特征向量的相似度并进行排序,得到行人重识别结果。
进一步地,所述卷积神经网络中不同卷积层之间跨层连接。
进一步地,所述卷积神经网络的降采样率为16倍。
进一步地,所述多个不同尺度的特征图包括所述卷积神经网络最后一层输出的特征图,以及中间层不同位置输出的特征图。
进一步地,所述通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,具体方法为:
(01)将每一个c×w×h的特征图,视为h×w个c维的特征点,对所有特征点进行降维;其中,w为特征图的宽度,h为特征图的高度,c为特征图的通道数;
(02)定义N个D维的类中心向量,计算每个降维后的特征点与每一个类中心的距离,得到h×w×N个距离值;其中D为降维后的特征点维度,N为类中心的数目;
(03)根据计算得到的距离,计算每个特征点属于对应类中心的概率;
(04)对计算得到的概率进行处理,使每一个特征点属于每一个类中心的概率大于设定阈值;
进一步地,(02)中所述计算每个降维后的特征点与每一个类中心的距离具体为,利用欧式距离或余弦距离计算每个降维后的特征点与每一个类中心的距离。
进一步地,(03)中所述根据计算得到的距离,计算每个特征点属于对应类中心的概率具体为,通过公式计算每个特征点属于对应类中心的概率;其中,Pij为第i个特征描述子Xi属于第j个类中心Cj的概率,α为常数。
进一步地,所述对所述示例中的负示例进行丢弃,并利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量,具体为:给定一个背景类的数目Nb,将所述示例中前(N-Nb)个串接形成特征向量,其余的丢弃。
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NetVLAD方法对特征图上的向量进行可学习的聚类,将行人分为不同的局部区域,由于同一特征图上的特征向量被完全打散,不再保留空间信息,因此相比基于固定划分方式(如水平分条等)的区域划分方法,本发明方法赋予了网络非常强的抗形变能力,能够满足行人重识别过程中易发生形变和遮挡的应用需求,从而提高了行人重识别的准确率。
(2)本发明对NetVLAD本身进行了改进,对于传统的NetVLAD而言,如果某一个类心初始化的结果距离特征图上的点过远,就会导致该类心进行软分配时分配到的权值很低,其参数无法正常更新,进而出现“死点”。而本发明方法对软分配的结果进行了进一步的“软化”操作,即保证每一个特征点属于每一个类中心的概率大于一定阈值,从而保证了每一个类中心的正常更新,解决了死点问题。
(3)为了实现可学习的局部示例丢弃,本发明采用基于GhostVLAD的负示例丢弃算法,增设背景类,使得网络具备了丢弃对识别无作用的特征向量的能力,从而抑制了背景等信息对识别的影响,解决了行人重识别问题中的背景干扰的问题。
(4)本发明将行人重识别视为深度多示例学习问题,不再把行人视为一个整体,而是将行人视为多个局部组成的集合(如头部、脖子、肩膀、胳膊、胸腹部、腿部、足部等),然后对局部进行特征提取以及相似度计算,由于行人重识别任务本身就是精细化分类任务,对局部信息非常敏感,因此本发明方法可以达到更好的识别效果。
(5)本发明采用了从多个卷积层中提取不同尺度的特征,实现了多尺度特征的融合,可以有效的提升算法的的性能。
附图说明
图1是本发明实施例提供的一种基于深度多示例学习的行人重识别方法的流程图;
图2是本发明采用的行人重识别模型的结构简图;
图3是本发明提出的从特征图中获取特征点的方法示意图;
图4是本发明提出的利用NetVLAD和GhostVLAD生成特征向量的示意图;
图5是采用本发明方法得到的行人重识别结果示意图。
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,本发明提供了一种基于深度多示例学习的行人重识别方法,包括:
(1)构建行人重识别模型;
具体地,本发明提出的行人重识别模型包括特征提取单元、示例挖掘单元、负示例丢弃单元;其中,特征提取单元,用于通过卷积神经网络对原始图像进行特征提取,得到多张不同尺度的特征图;如图2所示,本发明实施例采用ResNet-50作为基础网络,包括作为输入层的conv1_x和四个卷积块conv2_x,conv3_x,conv4_x,conv5_x,其中conv1_x对原始图像进行四倍下采样,conv3_x,conv4_x,conv5_x分别对输入的特征图进行两倍下采样,最终对原始图像进行三十二倍下采样,在此基础上,为了获得更多的细节信息,本发明对现有ResNet-50网络做出以下修改:一是删掉网络最后一层的下采样,即图2中conv5_x的下采样,从而使整个网络对原始图像的下采样比例下降为十六倍;二是不同卷积层之间跨层连接,完成通道数以及特征图大小的变换,如图2所示Jump1和Jump2,其中Jump1由一个卷积核大小为3×3、步长stride=2的卷积层组成,Jump2由一个卷积核大小为1×1的卷积层组成,但本发明的跨层连接不限于此,也可采用其他方式;最后分别取conv2_x,conv3_x,conv4_x,conv5_x四层的输出的特征图作为提取到的特征图;
示例挖掘单元,用于通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,并将局部特征描述子作为深度多示例学习中的示例;
具体地,利用NetVLAD在每一张特征图上通过聚类的方式实现对深度多示例学习中示例的挖掘;具体方法包括:
(01)将每一个c×w×h的特征图,视为h×w个c维的特征点,对所有特征点进行降维;其中,w为特征图的宽度,h为特征图的高度,c为特征图的通道数;
如图3所示,对于每一个c×w×h的特征图,可以将其视为宽为w高为h共有c个通道的图,从而特征图上的每一个点均具有c维,对于一张特征图,其共有h×w个点,这样就获得了h×w个C维的特征点;针对图2中所示的网络结构,每一张特征图都会获得192个特征点;
对于VLAD(Vector of locally aggregated descriptors,局部聚合向量)而言,其输出的向量维度满足dout=channelin×numclusters,其中channelin为输入的特征向量的维度,numclusters为类别的数目,为了避免输出向量维度过高带来的严重的过拟合问题,本发明首先对特征点进行降维,更具体的,利用一个1×1的卷积层来进行降维,所有的特征点都被统一降维到64维。
(02)定义N个D维的类中心向量,计算每个降维后的特征点与每一个类中心的距离,得到h×w×N个距离值;其中D为降维后的特征点维度,N为类中心的数目;
具体地,利用欧式距离或余弦距离计算每个降维后的特征点与每一个类中心的距离,对于欧式距离的计算,为了节省空间以及加快运算速度,采用如下的方式进行加速:||x1-x2||2=||x1||2+||x2||2-2x1·x2,这样对于一个Batch的输入,每两个元素相减后的平方运算就可以简化为两个求模长的运算以及一个矩阵相乘的运算。
(03)根据计算得到的距离,计算每个特征点属于对应类中心的概率;
(04)对计算得到的概率进行处理,使每一个特征点属于每一个类中心的概率大于设定阈值;
具体地,对于前面得到的Pij,为了减轻死点的问题的影响,进一步采取“软化”操作,即通过公式对计算得到的概率进行处理;其中,为经过处理后的概率值,a为常数,阈值根据类中心的数目进行设定,通常更多的类中心需要更小的a,本发明实施例类中心数目为32,a=0.01。
负示例丢弃单元,用于对示例中的负示例进行丢弃,并利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量;具体地,本发明采用基于GhostVLAD的负示例丢弃算法,具体方法为,给定一个背景类的数目Nb,将所述示例中前(N-Nb)个串接形成特征向量,其余的丢弃。采用NetVLAD和GhostVLAD根据输入的特征图生成最终的特征向量示意图如图4所示。
(2)将原始图片作为所述行人重识别模型的输入,将原始图片内行人对应的身份标签作为所述行人重识别模型输出向量经过分类后的期望输出,对所述行人重识别模型进行训练;
具体地,本发明采用多损失函数联合优化的方式对网络中的参数进行优化:对每一个输出的特征向量串接一个由全连接层和SoftMax激活函数组成的分类器,对每一个不同尺度的特征图产生的特征向量采用不同的分类器进行分类,然后利用交叉熵损失函数计算分类器输出的损失。在发明实施例中,对应于四张特征图共有四个不同的分类器,这些分类器结构相同,但参数不共享,每一个分类器的全连接层的输入特征维度均为2048,输出维度为训练集的行人的数目,这四个分类器在训练过程中产生的四个损失相加,然后利用反向传播对网络参数进行优化;对于行人重识别模型的训练,本发明采用SGD优化器来进行,对于卷积层和NetVLAD层,采用的学习率为0.01,全连接层的学习率为0.1,在第30和50次迭代周期时,学习率下降为原来的0.1倍,整个网络训练60个迭代周期后达到收敛。本发明实施例,SGD优化器中的权值衰减被设置为0.005,momentum被设置为0.9。
(3)将目标图片和多张待检索图片分别输入训练好的行人重识别模型,将目标图片输出的多个特征向量进行加权串接后作为目标特征向量,将每张待检索图片输出的多个特征向量进行加权串接后作为待检索特征向量,计算目标特征向量与每个待检索特征向量的相似度并进行排序,得到行人重识别结果。
具体地,加载待检索的行人图片集合,对每一张图片都会得到四个2048维的特征向量,四个向量分别乘以0.1,1.0,1.5,1.1的权值然后连接起来,得到一个8192维的特征向量,然后对于每一张图片执行水平翻转操作,利用同样的方法得到一个新的8192维的特征向量,两个特征向量求平均值,最终,对于每张待检索图片都表示为一个8192维的向量;对于输入的目标图片,通过同样的加权串接方式提取得到一个8192维的目标特征向量,然后将待检索图片提取到的特征向量分别与目标特征向量计算余弦相似度;最后对计算得到的相似度按照从高到低的方式进行排序,相似度最高的特征向量对应的图片即为检索到的最有可能和输入的查目标图片为同一行人的图片。
图5中第一张图为给定的查询图片,后面十张图为采用本方法计算得到的和查询图片最接近的十张图(按照相似度从大到小进行排序),其中虚线框代表正确的匹配,实线框代表错误的匹配,可以看出,即使在相机拍摄角度变化非常大的情况下(查询图片给出的是行人背面拍摄的图片,而检索集中提供的图片仅有侧面拍摄的图片),本方法仍然能够正确的找出匹配的行人。此外,此方法在CUHK03-NP数据集上,在采用新的测试协议、并且不使用复杂的数据增强和测度学习以及重排序的前提下,可以达到74.2%的Rank@1准确率与69.9%的平均精度均值(mean average precision,mAP),接近当前的最优结果。其中,Rank@1准确率以及mAP为行人重识别领域中的两个主要的算法准确率指标,计算方法分别如下:对于Rank@1准确率,给定一张查询图片,从检索集合中选出相似度与其最接近的图片,如果和查询图片的行人身份是相同的,则记为正确的匹配,否则记为错误,通过该方式计算得到的准确率,称为Rank@1准确率;对于mAP,首先计算查询图片与待检索图片的相似度,按照相似度从高到低的顺序排列,记为一次查询,对每一次查询计算其平均查准率,然后对所有查询得到的平均查准率求平均值得到mAP。
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 (7)
1.一种基于深度多示例学习的行人重识别方法,其特征在于,包括:
(1)构建行人重识别模型;
所述行人重识别模型包括特征提取单元、示例挖掘单元、负示例丢弃单元;
所述特征提取单元,用于通过卷积神经网络对原始图像进行特征提取,得到多张不同尺度的特征图;
所述示例挖掘单元,用于通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,并将所述局部特征描述子作为深度多示例学习中的示例;所述通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,具体方法为:
(01)将每一个c×w×h的特征图,视为h×w个c维的特征点,对所有特征点进行降维;其中,w为特征图的宽度,h为特征图的高度,c为特征图的通道数;
(02)定义N个D维的类中心向量,计算每个降维后的特征点与每一个类中心的距离,得到h×w×N个距离值;其中D为降维后的特征点维度,N为类中心的数目;
(03)根据计算得到的距离,计算每个特征点属于对应类中心的概率;
(04)对计算得到的概率进行处理,使每一个特征点属于每一个类中心的概率大于设定阈值;
所述负示例丢弃单元,用于对所述示例中的负示例进行丢弃,并利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量;所述对所述示例中的负示例进行丢弃,具体为:给定一个背景类的数目Nb,将所述示例中前(N-Nb)个串接形成特征向量,其余的丢弃
(2)将原始图片作为所述行人重识别模型的输入,将原始图片内行人对应的身份标签作为所述行人重识别模型输出向量经过分类后的期望输出,对所述行人重识别模型进行训练;
(3)将目标图片和多个待检索图片分别输入训练好的行人重识别模型,将目标图片输出的多个特征向量进行加权串接后作为目标特征向量,将每个待检索图片输出的多个特征向量进行加权串接后作为待检索特征向量,计算目标特征向量与每个待检索特征向量的相似度并进行排序,得到行人重识别结果。
2.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法,其特征在于,所述卷积神经网络中不同卷积层之间跨层连接。
3.根据权利要求1或2所述的一种基于深度多示例学习的行人重识别方法,其特征在于,所述卷积神经网络的降采样率为16倍。
4.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法,其特征在于,多个不同尺度的特征图包括所述卷积神经网络最后一层输出的特征图,以及中间层不同位置输出的特征图。
5.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法,其特征在于,(02)中所述计算每个降维后的特征点与每一个类中心的距离具体为,利用欧式距离或余弦距离计算每个降维后的特征点与每一个类中心的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848519.8A CN110751027B (zh) | 2019-09-09 | 2019-09-09 | 一种基于深度多示例学习的行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848519.8A CN110751027B (zh) | 2019-09-09 | 2019-09-09 | 一种基于深度多示例学习的行人重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751027A CN110751027A (zh) | 2020-02-04 |
CN110751027B true CN110751027B (zh) | 2022-09-20 |
Family
ID=69276143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910848519.8A Active CN110751027B (zh) | 2019-09-09 | 2019-09-09 | 一种基于深度多示例学习的行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751027B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052350B (zh) * | 2020-08-25 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112734772B (zh) * | 2021-01-13 | 2022-03-22 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备以及存储介质 |
CN112990144B (zh) * | 2021-04-30 | 2021-08-17 | 德鲁动力科技(成都)有限公司 | 一种用于行人重识别的数据增强方法及系统 |
CN113378992B (zh) * | 2021-07-07 | 2023-11-21 | 山东建筑大学 | 一种基于位置识别的车辆定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815604A (zh) * | 2017-01-16 | 2017-06-09 | 大连理工大学 | 基于多层信息融合的注视点检测方法 |
CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
US10311334B1 (en) * | 2018-12-07 | 2019-06-04 | Capital One Services, Llc | Learning to process images depicting faces without leveraging sensitive attributes in deep learning models |
CN110163117A (zh) * | 2019-04-28 | 2019-08-23 | 浙江大学 | 一种基于自激励判别性特征学习的行人重识别方法 |
-
2019
- 2019-09-09 CN CN201910848519.8A patent/CN110751027B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815604A (zh) * | 2017-01-16 | 2017-06-09 | 大连理工大学 | 基于多层信息融合的注视点检测方法 |
CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
US10311334B1 (en) * | 2018-12-07 | 2019-06-04 | Capital One Services, Llc | Learning to process images depicting faces without leveraging sensitive attributes in deep learning models |
CN110163117A (zh) * | 2019-04-28 | 2019-08-23 | 浙江大学 | 一种基于自激励判别性特征学习的行人重识别方法 |
Non-Patent Citations (3)
Title |
---|
"GhostVLAD for set-based face recognition";Yujie Zhong et al.;《arXiv》;20181231;第1-16页 * |
"Towards Good Practices on Building Effective CNN Baseline Model for Person Re-identification";Fu Xiong et al.;《arXiv》;20181231;第1-7页 * |
Relja Arandjelovićet al.."NetVLAD: CNN Architecture for Weakly Supervised Place Recognition".《IEEE Transactions on Pattern Analysis and Machine Intelligence 》.2017,第1437-1451页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110751027A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
CN111898547B (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN107577990B (zh) | 一种基于gpu加速检索的大规模人脸识别方法 | |
US11816149B2 (en) | Electronic device and control method thereof | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
US20110116690A1 (en) | Automatically Mining Person Models of Celebrities for Visual Search Applications | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN111046732B (zh) | 一种基于多粒度语义解析的行人重识别方法及存储介质 | |
CN104392250A (zh) | 一种基于MapReduce的图像分类方法 | |
WO2019137185A1 (zh) | 一种图片筛选方法及装置、存储介质、计算机设备 | |
CN110399895A (zh) | 图像识别的方法和装置 | |
CN106228121B (zh) | 手势特征识别方法和装置 | |
CN111898703B (zh) | 多标签视频分类方法、模型训练方法、装置及介质 | |
CN110852152B (zh) | 一种基于数据增强的深度哈希行人重识别方法 | |
CN106682681A (zh) | 一种基于相关反馈的识别算法自动改进方法 | |
CN110472652A (zh) | 基于语义引导的少量样本分类方法 | |
CN112597324A (zh) | 一种基于相关滤波的图像哈希索引构建方法、系统及设备 | |
JP2012079187A (ja) | 特徴ベクトル生成装置、特徴ベクトル生成方法及びプログラム | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN110188864B (zh) | 基于分布表示和分布度量的小样本学习方法 | |
CN109993070B (zh) | 一种基于全局距离尺度损失函数的行人再识别方法 |
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 |