CN110941994A - 一种基于元类基学习器的行人重识别集成方法 - Google Patents

一种基于元类基学习器的行人重识别集成方法 Download PDF

Info

Publication number
CN110941994A
CN110941994A CN201911044411.XA CN201911044411A CN110941994A CN 110941994 A CN110941994 A CN 110941994A CN 201911044411 A CN201911044411 A CN 201911044411A CN 110941994 A CN110941994 A CN 110941994A
Authority
CN
China
Prior art keywords
pedestrian
learner
class
meta
image
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.)
Granted
Application number
CN201911044411.XA
Other languages
English (en)
Other versions
CN110941994B (zh
Inventor
李平
赵国潘
徐向华
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.)
Foshan Haixie Technology Co ltd
Jiugen (Beijing) Technology Development Co.,Ltd.
Original Assignee
Hangzhou Electronic Science and Technology 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 Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201911044411.XA priority Critical patent/CN110941994B/zh
Publication of CN110941994A publication Critical patent/CN110941994A/zh
Application granted granted Critical
Publication of CN110941994B publication Critical patent/CN110941994B/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
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

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

Abstract

本发明公开了一种基于元类基学习器的行人重识别集成方法。本发明方法首先对行人图像的深度特征向量聚类以获取元类集合能够使得元类中的图像在特征空间中语义相似；通过均匀划分卷积神经网络的全连接层获取每个元类对应的基学习器，解决对应元类的行人重识别子问题；同时给出了元类内的正例对和负例对及元类间负例对的采样过程、基学习器的训练方案以及自适应梯度加权的基学习器差异化策略。本发明能够有效地处理行人图像数据分布的复杂性，高效地利用深度特征的表示空间，从而获取更优越的行人识别性能。

Description

一种基于元类基学习器的行人重识别集成方法
技术领域
本发明属于计算机技术领域，具体是计算机视觉中的行人重识别技术领域，涉及一种基于元类基学习器的行人重识别集成方法。
背景技术
随着数字化城市的建设，视频监控设备被广泛应用于道路、商业区、生活区等公共场所，如何对采集到的海量视频数据进行智能分析变得尤为重要。行人重识别(Person Re-identification)是一项重要的应用研究问题，其目标是在不同的摄像机视图之间匹配同一身份的行人图像。它可以广泛应用于智能视频监控、安保、刑侦等领域，例如跨摄像机视角的行人跟踪、大型图库中行人搜索、零售商店中的访客分析等实际场景。
现阶段行人重识别的主流方法基于度量学习，而以马氏度量学习为主导的传统行人重识别技术通常利用手工设计的行人图像特征，并以线性投影方式学习行人图像相似度(或距离)度量函数；而以深度神经网络为主导的深度度量行人重识别方法大多侧重于单一的度量指标，通常从给定的行人图像数据分布中学习所有已观测样本的单个相似度度量函数，其优化目标是使得相似图像在深度特征空间中相互靠近，同时使得不相似图像相互远离。然而，视觉数据通常具有复杂的内在结构，如数据分布的不同区域具有不同的密度。因此，不同区域中的数据点可通过不同的相似性度量指标来刻画(例如形状、颜色、语义等)。现阶段行人重识别的主要挑战在于：1)较大差异的摄像机视角所引起的行人外观变化；2)行人之间的相似度很高给准确挖掘身份识别信息带来挑战。
综上所述，现有人物重识别方法的不足点主要表现在以下几方面：第一，直接将深度特征向量的所有维度用作单一度量指标的学习器，造成特征表示空间使用效率低下、行人识别性能不高；第二，直接拟合整个数据集的数据分布，未充分考虑行人图像数据分布的复杂性，在实践中通常会导致局部最优和过度拟合；第三，由于采用不同度量指标的基学习器存在差异性，通常会引起模型收敛缓慢的问题。因此，迫切需要设计一种能充分地利用深度特征，同时结合多种度量指标并充分挖掘样本信息的行人重识别技术。
发明内容
本发明的目的就是针对现有技术的不足，提供一种基于元类基学习器的行人重识别集成方法，可以有效地处理行人图像数据分布的复杂性，高效地利用深度特征的表示空间。
本发明方法首先获取行人图像的数据集，然后进行如下操作：
步骤(1).通过卷积神经网络获取行人图像的深度特征向量并进行聚类，获得语义相似的图像元类，即图像簇；
步骤(2).均匀划分卷积神经网络的全连接层，形成多个基学习器与行人图像元类对应；
步骤(3).训练基学习器，输入对应元类内的正负样本对及元类间负样本对，计算样本对损失及梯度，并更新基学习器，采取自适应梯度加权策略更新下一个基学习器；
步骤(4).重复步骤(1)～(3)，直至基学习器收敛，将测试图库输入基学习器组成的集成学习器，得到相同行人的图像集合。
进一步，步骤(1)具体方法是：
(1-1).对行人图像训练数据集进行预处理，得到预处理后的训练数据集，记为
Figure BDA0002253746630000021
其中
Figure BDA0002253746630000022
表示第i幅行人图像，N为图像数目；所述的预处理包括缩放、修剪、翻转、旋转操作；
(1-2).选用在大型图像数据集上预训练的残差卷积神经网络，将
Figure BDA0002253746630000023
输入网络，所述的残差卷积神经网络中的全连接层将输出深度特征向量
Figure BDA0002253746630000024
其中
Figure BDA0002253746630000025
(1-3).对深度特征向量
Figure BDA0002253746630000026
进行聚类操作，通过聚类操作获得C个行人图像元类，聚类簇个数C由模型的超参数指定，C＝4～8；通过聚类算法，
Figure BDA0002253746630000027
被组织成元类的集合
Figure BDA0002253746630000028
Kl表示由语义上相似的行人图像组成的第l个行人图像元类。
进一步，步骤(2)具体方法是：
(2-1).按照线性顺序均匀地将残差卷积神经网络的全连接层划分为C段，作为C个基学习器
Figure BDA0002253746630000029
fl表示第l个基学习器；
(2-2).第l个基学习器fl用于学习第l个行人图像元类Kl，使得基学习器与行人图像元类对应。
进一步，步骤(3)具体方法是：
(3-1).设批量样本元组Tl为第l个基学习器fl的训练样本，则对于每个行人图像元类Kl，批量样本元组Tl由一个参考深度特征向量
Figure BDA00022537466300000210
相对
Figure BDA00022537466300000211
的一个元类内正例特征向量
Figure BDA00022537466300000212
以及(M-1)个元类内负例特征向量
Figure BDA00022537466300000213
(C-1)个元类间负例特征向量
Figure BDA0002253746630000031
组成，j＝1,2,...,C,j≠l，M为元类内的不同行人的类别数；
(3-2).根据批量样本元组Tl计算如下损失函数：
Figure BDA0002253746630000032
其中exp(·)表示指数函数；得到每个样本元组的损失及梯度，然后对学习器fl进行参数更新；
(3-3).进行自适应梯度加权操作，并更新第(l+1)个基学习器fl+1。
进一步，步骤(4)具体方法是：
(4-1).重复步骤(1)～(3)，学习C个基学习器
Figure BDA0002253746630000033
直至基学习器收敛；
(4-2).将测试图库即行人图像测试数据集以1:1的比例划分为查询集和图库集；同时将已收敛的C个基学习器
Figure BDA0002253746630000034
依次合并为一个集成学习器f；
(4-3).将查询集和图库集中的行人图像分别输入集成学习器f得到对应的深度特征表示
Figure BDA0002253746630000035
和
Figure BDA0002253746630000036
其中D和S分别为查询集和图库集的大小；
(4-4).根据余弦相似度和欧氏距离，计算深度特征表示之间的相似度simf和距离distf：
Figure BDA0002253746630000037
计算得到查询与图库图像的相似度矩阵和距离矩阵；
(4-5).计算相似度矩阵和距离矩阵对应元素的平均值，据此搜索与查询集中的图像相似的图库图像，得到相同行人的图像集合。
本发明方法首先对行人图像的深度特征向量聚类以获取元类(图像簇)集合能够使得元类中的图像在特征空间中语义相似；通过均匀划分卷积神经网络的全连接层获取每个元类对应的基学习器，可以解决对应元类的行人重识别子问题；同时给出了元类内的正例对和负例对及元类间负例对的采样过程、基学习器的训练方案以及自适应梯度加权的基学习器差异化策略。
本发明方法充分考虑了行人图像数据分布的复杂性特点，高效利用了深度特征的表示空间，深度挖掘了行人图像数据分布不同区域间的负例样本对，同时有效缓解了网络模型收敛缓慢的问题。本发明能够有效地处理行人图像数据分布的复杂性，高效地利用深度特征的表示空间，从而获取更优越的行人识别性能。
附图说明
图1是本发明方法的流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
一种基于元类基学习器的行人重识别集成方法，重点考虑行人图像数据分布的复杂性特点，高效利用深度特征的表示空间，深度挖掘行人图像数据分布不同区域间的负例样本对，同时有效缓解网络模型收敛缓慢的问题。主要思想是对行人图像的深度特征向量聚类以获取元类(图像簇)集合，能够使得元类中的图像在特征空间中语义相似；通过均匀划分卷积神经网络的全连接层获取每个元类对应的基学习器，可以解决对应元类的行人重识别子问题。通过这种方式，可以有效地进行行人重识别。
如图1，该方法首先获取行人图像的数据集，然后进行如下操作：
步骤(1).通过卷积神经网络获取行人图像的深度特征向量并进行聚类，获得语义相似的图像元类，即图像簇。具体方法是：
(1-1).对行人图像训练数据集进行预处理，得到预处理后的训练数据集，记为
Figure BDA0002253746630000041
其中
Figure BDA0002253746630000042
表示第i幅行人图像，N为图像数目；预处理为进行缩放、修剪、翻转、旋转等常见图像数据增强操作；
(1-2).选用在大型图像数据集上(如ImageNet)预训练的残差卷积神经网络(ResNet-50)，将
Figure BDA0002253746630000043
输入网络，该网络中的全连接层将输出深度特征向量
Figure BDA0002253746630000044
其中
Figure BDA0002253746630000045
(1-3).对深度特征向量
Figure BDA0002253746630000046
进行聚类操作，通过聚类操作获得C个行人图像元类，聚类簇个数C由模型的超参数指定，C＝4～8；通过聚类算法，
Figure BDA0002253746630000047
被组织成元类的集合
Figure BDA0002253746630000048
Kl表示由语义上相似的行人图像组成的第l个行人图像元类。
聚类操作可选用常见的聚类算法，本实施例采用k-均值聚类或基于密度的聚类算法(DBSCAN)。
步骤(2).均匀划分卷积神经网络的全连接层，形成多个基学习器与行人图像元类对应。具体方法是：
(2-1).按照线性顺序均匀地将残差网络(ResNet-50)的全连接层划分为C段，作为C个基学习器
Figure BDA0002253746630000049
fl表示第l个基学习器；
(2-2).第l个基学习器fl用于学习第l个行人图像元类Kl，使得基学习器与行人图像元类对应。
步骤(3).训练基学习器，输入对应元类内的正负样本对及元类间负样本对，计算样本对损失及梯度，并更新基学习器，采取自适应梯度加权策略更新下一个基学习器。具体方法是：
(3-1).设批量样本元组Tl为第l个基学习器fl的训练样本，则对于每个行人图像元类Kl，批量样本元组Tl由一个参考深度特征向量
Figure BDA0002253746630000051
相对
Figure BDA0002253746630000052
的一个元类内正例特征向量
Figure BDA0002253746630000053
以及(M-1)个元类内负例特征向量
Figure BDA0002253746630000054
(C-1)个元类间负例特征向量
Figure BDA0002253746630000055
组成，j＝1,2,...,C,j≠l，M为元类内的不同行人的类别数；
参考深度特征向量
Figure BDA0002253746630000056
通过对第l个元类的样本特征向量进行随机采样获得；
元类内正例特征向量
Figure BDA0002253746630000057
是对第l个元类的
Figure BDA0002253746630000058
所属的行人类别对应的样本特征向量随机采样获得；
元类内负例特征向量
Figure BDA0002253746630000059
采样过程为：对第l个元类Kl采样与参考深度特征向量
Figure BDA00022537466300000510
不同行人类别的样本特征，每个类别随机采样一个即可获得(M-1)个元类内负例特征向量；
元类间负例特征向量
Figure BDA00022537466300000511
采样过程为：对元类集合{Kj|j＝1,2,...,C,j≠l}，分别随机采样一个样本，即可获得(C-1)个元类间负例特征向量
Figure BDA00022537466300000512
(3-2).根据批量样本元组Tl计算如下损失函数：
Figure BDA00022537466300000513
其中exp(·)表示指数函数；得到每个样本元组的损失及梯度，然后对学习器fl进行参数更新；
(3-3).进行自适应梯度加权操作，并更新第(l+1)个基学习器fl+1，以进一步增加基学习器之间的差异性。
自适应梯度加权操作具体是：
①设置初始化的梯度权重
Figure BDA00022537466300000514
其中V为fl的深度特征向量维度；
②计算fl的深度特征向量的每一维组成的梯度向量Gl，由
Figure BDA0002253746630000061
更新自适应权重，(Wv)′为更新后的权重，从而对fl+1进行网络参数更新；z为归一化常数；
Figure BDA0002253746630000062
表示基学习器fl的梯度向量的第v维。
步骤(4).重复步骤(1)～(3)，直至基学习器收敛，将测试图库输入基学习器组成的集成学习器，得到相同行人的图像集合。具体方法是：
(4-1).重复步骤(1)～(3)，学习C个基学习器
Figure BDA0002253746630000063
直至基学习器收敛；
(4-2).将测试图库即行人图像测试数据集以1:1的比例划分为查询集(query)和图库集(gallery)；同时将已收敛的C个基学习器
Figure BDA0002253746630000064
依次合并为一个集成学习器f；
(4-3).将查询集和图库集中的行人图像分别输入集成学习器f得到对应的深度特征表示
Figure BDA0002253746630000065
和
Figure BDA0002253746630000066
其中D和S分别为查询集和图库集的大小；
(4-4).根据余弦相似度和欧氏距离，计算深度特征表示之间的相似度simf和距离distf：
Figure BDA0002253746630000067
Figure BDA0002253746630000068
计算得到查询与图库图像的相似度矩阵和距离矩阵；
(4-5).计算相似度矩阵和距离矩阵对应元素的平均值，据此搜索与查询集中的图像相似的图库图像，得到相同行人(指同一身份)的图像集合。
本实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (7)

1.一种基于元类基学习器的行人重识别集成方法，其特征在于，该方法首先获取行人图像的数据集，然后进行如下操作：
步骤(1).通过卷积神经网络获取行人图像的深度特征向量并进行聚类，获得语义相似的图像元类，即图像簇；
步骤(2).均匀划分卷积神经网络的全连接层，形成多个基学习器与行人图像元类对应；
步骤(3).训练基学习器，输入对应元类内的正负样本对及元类间负样本对，计算样本对损失及梯度，并更新基学习器，采取自适应梯度加权策略更新下一个基学习器；
步骤(4).重复步骤(1)～(3)，直至基学习器收敛，将测试图库输入基学习器组成的集成学习器，得到相同行人的图像集合。
2.如权利要求1所述一种基于元类基学习器的行人重识别集成方法，其特征在于步骤(1)具体方法是：
(1-1).对行人图像训练数据集进行预处理，得到预处理后的训练数据集，记为
Figure FDA0002253746620000011
其中
Figure FDA0002253746620000012
表示第i幅行人图像，N为图像数目；所述的预处理包括缩放、修剪、翻转、旋转操作；
(1-2).选用在大型图像数据集上预训练的残差卷积神经网络，将
Figure FDA0002253746620000013
输入网络，所述的残差卷积神经网络中的全连接层将输出深度特征向量
Figure FDA0002253746620000014
其中
Figure FDA0002253746620000015
(1-3).对深度特征向量
Figure FDA0002253746620000016
进行聚类操作，通过聚类操作获得C个行人图像元类，聚类簇个数C由模型的超参数指定，C＝4～8；通过聚类算法，
Figure FDA0002253746620000017
被组织成元类的集合
Figure FDA0002253746620000018
Kl表示由语义上相似的行人图像组成的第l个行人图像元类。
3.如权利要求1所述一种基于元类基学习器的行人重识别集成方法，其特征在于步骤(2)具体方法是：
(2-1).按照线性顺序均匀地将残差卷积神经网络的全连接层划分为C段，作为C个基学习器
Figure FDA0002253746620000021
fl表示第l个基学习器；
(2-2).第l个基学习器fl用于学习第l个行人图像元类Kl，使得基学习器与行人图像元类对应。
4.如权利要求1所述一种基于元类基学习器的行人重识别集成方法，其特征在于步骤(3)具体方法是：
(3-1).设批量样本元组Tl为第l个基学习器fl的训练样本，则对于每个行人图像元类Kl，批量样本元组Tl由一个参考深度特征向量
Figure FDA0002253746620000022
相对
Figure FDA0002253746620000023
的一个元类内正例特征向量
Figure FDA0002253746620000024
以及(M-1)个元类内负例特征向量
Figure FDA0002253746620000025
(C-1)个元类间负例特征向量
Figure FDA0002253746620000026
组成，j＝1,2,...,C,j≠l，M为元类内的不同行人的类别数；
(3-2).根据批量样本元组Tl计算如下损失函数：
Figure FDA0002253746620000027
其中exp(·)表示指数函数；得到每个样本元组的损失及梯度，然后对学习器fl进行参数更新；
(3-3).进行自适应梯度加权操作，并更新第(l+1)个基学习器fl+1。
5.如权利要求1所述一种基于元类基学习器的行人重识别集成方法，其特征在于步骤(4)具体方法是：
(4-1).重复步骤(1)～(3)，学习C个基学习器
Figure FDA0002253746620000028
直至基学习器收敛；
(4-2).将测试图库即行人图像测试数据集以1:1的比例划分为查询集和图库集；同时将已收敛的C个基学习器
Figure FDA0002253746620000029
依次合并为一个集成学习器f；
(4-3).将查询集和图库集中的行人图像分别输入集成学习器f得到对应的深度特征表示
Figure FDA0002253746620000031
和
Figure FDA0002253746620000032
其中D和S分别为查询集和图库集的大小；
(4-4).根据余弦相似度和欧氏距离，计算深度特征表示之间的相似度simf和距离distf：
Figure FDA0002253746620000033
计算得到查询与图库图像的相似度矩阵和距离矩阵；
(4-5).计算相似度矩阵和距离矩阵对应元素的平均值，据此搜索与查询集中的图像相似的图库图像，得到相同行人的图像集合。
6.如权利要求4所述一种基于元类基学习器的行人重识别集成方法，其特征在于：
所述的参考深度特征向量
Figure FDA0002253746620000034
通过对第l个元类的样本特征向量进行随机采样获得；
所述的元类内正例特征向量
Figure FDA0002253746620000035
是对第l个元类的
Figure FDA0002253746620000036
所属的行人类别对应的样本特征向量随机采样获得；
所述的元类内负例特征向量
Figure FDA0002253746620000037
采样过程为：对第l个元类Kl采样与参考深度特征向量
Figure FDA0002253746620000038
不同行人类别的样本特征，每个类别随机采样一个即可获得(M-1)个元类内负例特征向量；
所述的元类间负例特征向量
Figure FDA0002253746620000039
采样过程为：对元类集合{Kj|j＝1,2,...,C,j≠l}，分别随机采样一个样本，即可获得(C-1)个元类间负例特征向量
Figure FDA00022537466200000310
7.如权利要求4所述一种基于元类基学习器的行人重识别集成方法，其特征在于所述的自适应梯度加权操作具体是：
①设置初始化的梯度权重
Figure FDA00022537466200000311
其中V为fl的深度特征向量维度；
②计算fl的深度特征向量每一维组成的梯度向量Gl，由
Figure FDA00022537466200000312
更新自适应权重，(Wv)′为更新后权重，从而对fl+1进行网络参数更新；z为归一化常数；
Figure FDA00022537466200000313
表示基学习器fl的梯度向量的第v维。
CN201911044411.XA 2019-10-30 2019-10-30 一种基于元类基学习器的行人重识别集成方法 Active CN110941994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911044411.XA CN110941994B (zh) 2019-10-30 2019-10-30 一种基于元类基学习器的行人重识别集成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911044411.XA CN110941994B (zh) 2019-10-30 2019-10-30 一种基于元类基学习器的行人重识别集成方法

Publications (2)

Publication Number Publication Date
CN110941994A true CN110941994A (zh) 2020-03-31
CN110941994B CN110941994B (zh) 2021-05-04

Family

ID=69906758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911044411.XA Active CN110941994B (zh) 2019-10-30 2019-10-30 一种基于元类基学习器的行人重识别集成方法

Country Status (1)

Country Link
CN (1) CN110941994B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695526A (zh) * 2020-06-15 2020-09-22 北京爱笔科技有限公司 网络模型生成方法、行人重识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247290A1 (en) * 2015-02-23 2016-08-25 Mitsubishi Electric Research Laboratories, Inc. Method for Labeling Images of Street Scenes
US20170032222A1 (en) * 2015-07-30 2017-02-02 Xerox Corporation Cross-trained convolutional neural networks using multimodal images
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
CN107330360A (zh) * 2017-05-23 2017-11-07 深圳市深网视界科技有限公司 一种行人衣着颜色识别、行人检索方法和装置
WO2019128735A1 (zh) * 2017-12-28 2019-07-04 华为技术有限公司 图像处理方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160247290A1 (en) * 2015-02-23 2016-08-25 Mitsubishi Electric Research Laboratories, Inc. Method for Labeling Images of Street Scenes
US20170032222A1 (en) * 2015-07-30 2017-02-02 Xerox Corporation Cross-trained convolutional neural networks using multimodal images
CN107330360A (zh) * 2017-05-23 2017-11-07 深圳市深网视界科技有限公司 一种行人衣着颜色识别、行人检索方法和装置
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
WO2019128735A1 (zh) * 2017-12-28 2019-07-04 华为技术有限公司 图像处理方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YIHAO ZHANG: "Deep Discriminative Network with Inception Module for Person Re-indentification", 《VCIP 2017》 *
冯川: "基于深度学习的行人重识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑 I138-699》 *
安强强: "基于深度学习的图像识别研究", 《自动化与仪器仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695526A (zh) * 2020-06-15 2020-09-22 北京爱笔科技有限公司 网络模型生成方法、行人重识别方法及装置
CN111695526B (zh) * 2020-06-15 2023-10-13 北京爱笔科技有限公司 网络模型生成方法、行人重识别方法及装置

Also Published As

Publication number Publication date
CN110941994B (zh) 2021-05-04

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
CN106096561B (zh) 基于图像块深度学习特征的红外行人检测方法
CN110728263A (zh) 一种基于距离选择的强判别特征学习的行人重识别方法
CN112633382B (zh) 一种基于互近邻的少样本图像分类方法及系统
CN108108657A (zh) 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN112507901B (zh) 一种基于伪标签自纠正的无监督行人重识别方法
CN110175615B (zh) 模型训练方法、域自适应的视觉位置识别方法及装置
CN109299707A (zh) 一种基于模糊深度聚类的无监督行人再识别方法
CN109993100B (zh) 基于深层特征聚类的人脸表情识别的实现方法
CN109871875B (zh) 一种基于深度学习的建筑物变化检测方法
CN109684913A (zh) 一种基于社区发现聚类的视频人脸标注方法和系统
CN111382690B (zh) 基于多损失融合模型的车辆再识别方法
WO2022062419A1 (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
CN108764018A (zh) 一种基于卷积神经网络的多任务车辆再识别方法及装置
CN110309810B (zh) 一种基于批次中心相似度的行人重识别方法
Sumbul et al. Informative and representative triplet selection for multilabel remote sensing image retrieval
CN109299664A (zh) 一种行人重识别的重排序方法
CN109784288A (zh) 一种基于判别感知融合的行人再识别方法
CN105654122A (zh) 基于核函数匹配的空间金字塔物体识别方法
CN112926403A (zh) 基于层次聚类与困难样本三元组的无监督行人重识别方法
CN111209799A (zh) 基于部分共享网络和余弦间隔损失函数的行人搜索方法
Xiong et al. RGB-D scene recognition via spatial-related multi-modal feature learning
CN115546553A (zh) 一种基于动态特征抽取和属性修正的零样本分类方法
CN114579794A (zh) 特征一致性建议的多尺度融合地标图像检索方法及系统
CN110941994B (zh) 一种基于元类基学习器的行人重识别集成方法

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
TR01 Transfer of patent right

Effective date of registration: 20230808

Address after: No. 0040, 1st Floor, Building 5, Comprehensive Bonded Zone, Daxing Airport Area, Pilot Free Trade Zone, No. 2 Baohui South Ring Road, Lixian Town, Daxing District, Beijing, 100000

Patentee after: Jiugen (Beijing) Technology Development Co.,Ltd.

Address before: No. 508-2A, North Block, Poly Tianji, Qiandenghu, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528000

Patentee before: Foshan Haixie Technology Co.,Ltd.

Effective date of registration: 20230808

Address after: No. 508-2A, North Block, Poly Tianji, Qiandenghu, Guicheng Street, Nanhai District, Foshan City, Guangdong Province, 528000

Patentee after: Foshan Haixie Technology Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right