CN110968735B - 一种基于球面相似度层次聚类的无监督行人重识别方法 - Google Patents

一种基于球面相似度层次聚类的无监督行人重识别方法 Download PDF

Info

Publication number
CN110968735B
CN110968735B CN201911163066.1A CN201911163066A CN110968735B CN 110968735 B CN110968735 B CN 110968735B CN 201911163066 A CN201911163066 A CN 201911163066A CN 110968735 B CN110968735 B CN 110968735B
Authority
CN
China
Prior art keywords
pedestrian
similarity
spherical
labels
matrix
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
CN201911163066.1A
Other languages
English (en)
Other versions
CN110968735A (zh
Inventor
周勇
郑沂
赵佳琦
夏士雄
姚睿
杜文亮
王秋
张曼
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201911163066.1A priority Critical patent/CN110968735B/zh
Publication of CN110968735A publication Critical patent/CN110968735A/zh
Application granted granted Critical
Publication of CN110968735B publication Critical patent/CN110968735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于球面相似度层次聚类的无监督行人重识别方法，用球面相似度衡量行人图片之间的相似度，减弱因摄像头位置不同导致的光线、角度等结构化的差异；同时，将图片特征向量进行归一压缩到球面之后，对于特征的类别区分更清晰明确。本发明将基于球面相似度的层次聚类方法和通过球面特征压缩进行图片分类的方法进行整合，能够在没有人工进行图片标注的前提下对行人图像进行检索，并达到较高的检索准确率。

Description

一种基于球面相似度层次聚类的无监督行人重识别方法
技术领域
本发明涉及一种基于球面相似度层次聚类的无监督行人重识别方法，用球面相似度衡量行人图片之间的相似度，并添加图像类别内部平均平方偏差作为矫正项，通过图片的球面特征对图片进行分类，属于图像处理领域中的行人重识别技术。
背景技术
在监控视频中，由于背景遮挡和行人距摄像头较远导致的低分辨率等原因，经常无法得到可以用于人脸识别的图片。而当人脸识别技术无法正常使用得情况下，行人重识别就成为了一个非常重要的替代品技术。行人重识别有一个非常重要的特性就是跨摄像头，所以学术论文里评价性能的时候，是要检索出不同摄像头下的相同行人图片。行人重识别已经在学术界研究多年，但直到最近几年随着深度学习的发展，才取得了非常巨大的突破。
传统基于图像的通过特征表达方法进行行人重识别的算法大致分为如下几类：
(1)底层视觉特征：这种方法基本上都是将图像划分为多个区域，对每个区域提取多种不同的底层视觉特征，组合后得到鲁棒性更好的特征表示形式，最常用的就是颜色直方图；
(2)中层语义属性：通过语义信息判断两张图象中是否属于同一行人，比如颜色、衣服以及携带的包等信息，相同的行人在不同的视频拍摄下语义属性很少变化；
(3)高级视觉特征：特征的选择技术对行人重识别的识别率进行提升。使用深度学习进行行人重识别的方法与传统方法最大的区别在于，它不需要人工的选取特征，通过端到端的学习，自动的学习行人图片中的各种特征。因此，在行人重识别领域，面对众多可以选择的特征，基于深度学习模型的方法能够达到较好的效果。现有的深度学习模型主要属于卷积神经网络的类别，通常使用的模型有CaffeNet、VGGNet及残差网络等。
在目前的行人重识别领域，由于对数据多样性的要求，通常需要花费大量的人工成本对数据集进行标注。因此，基于无监督学习的层次聚类算法成为解决这一难点的有效方法。层次聚类通过对数据集在不同层次进行划分，从而形成树形的聚类结构。数据集的划分可采用“自底向上”的聚合策略，也可采用“自顶向下”的分拆策略。“自底向上”的算法开始时把每一个原始数据看作一个单一的聚类簇，然后不断聚合小的聚类簇成为大的聚类。“自顶向下”的算法开始把所有数据看作一个聚类，通过不断分割大的聚类直到每一个单一的数据都被划分。在层次聚类中，最重要的聚类标准就是对数据对象之间相似度的衡量策略，相似度衡量策略的好坏能够直接影响最终的聚类结果。同时，由于聚类结果的好坏又直接影响深度神经网络的训练，以及最终行人重识别的结果。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于球面相似度层次聚类的无监督行人重识别方法，通过球面特征对行人图像进行分类，使用球面相似度衡量图像样本之间的相似度，加入图像类别内部平均平方偏差矫正不同聚类程度的图像之间相似度衡量。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于球面相似度层次聚类的无监督行人重识别方法，通过球面特征对行人图像进行分类，使用球面相似度衡量图像样本之间的相似度，加入图像类别内部平均平方偏差矫正不同聚类程度的图像之间相似度衡量，包括如下步骤：
(1)输入数据，包括如下步骤：
(11)输入行人图片；
(12)赋予输入的每张行人图片一个独立的标签作为行人类别；
(2)针对行人重识别任务训练深度神经网络并评估行人重识别结果，包含如下步骤：
(21)使用深度残差网络对图片进行特征提取得到行人图片的特征；
(22)对行人图像特征和权重矩阵进行归一化，并使用图像的行人类别标签，通过球形损失函数作为目标函数训练深度神经网络对输入的行人图像进行分类预测；
(23)并评估深度神经网络的训练结果；
(3)判断是否继续进行聚类操作：
计算当前独立的行人标签数量m，与进行聚类操作的行人标签数量n，
情况①：若剩余独立行人标签数量m大于进行聚类操作的行人标签数量n，继续进行聚类操作；
情况②：若剩余独立行人标签数量m小于等于进行聚类操作的行人标签数量n，则聚类操作结束，停止算法运行；
(4)进行聚类操作，包含如下步骤：
(41)根据提取到的行人图片的特征和类别标签，计算每两张行人图片的球面相似度以及按类别计算类别内部样本的总体平方偏差并求和，得到相似度矩阵；
(42)对得到的相似度矩阵中数值进行排序，选取前n个最小相似度差值，得到最相似的n对图像；
(43)将得到的n对图像进行标签的合并，删除多余的标签，并返回步骤(2)。
所述步骤(22)中，通过球形损失函数作为目标函数训练深度神经网络的具体方法为：
(221)在计算球形损失函数之前，先计算行人图像特征向量x*和权重矩阵W*的模长，对特征向量和权重矩阵进行归一化：
Figure GDA0004216311090000031
其中，x*与W*分别为通过神经网络提取到的图片特征和权重矩阵；
|x*|表示x*求模长的操作，
Figure GDA0004216311090000032
表示/>
Figure GDA0004216311090000033
求模长的操作，因此x与W为经过归一化之后得到的长度为1，方向与原始方向相同的特征向量和权重矩阵；
(222)求归一化后的特征向量和权重矩阵的点积，并将其与类别标签送入球形损失函数计算预测损失，球形损失函数表示为：
Figure GDA0004216311090000034
其中，N为样本的数量，x与W是由(221)中得到的归一化后的特征向量和权重矩阵。
所述步骤(41)中，计算行人图片相似度矩阵的方法为：
(411)首先，按照图片标签对图片特征向量进行分组，计算每组特征向量X＝{x1,x2,…,xn}的平均平方偏差：
Figure GDA0004216311090000041
其中，某一类别中含有的样本xi的数量为n，
Figure GDA0004216311090000042
是此类别中全部样本的平均值；
MSD是此类别的平均平方偏差，它是类别中每个样本xi与类别均值
Figure GDA0004216311090000043
之差的平方和的平均值；
(412)将行人图像特征加上其所属类别的内部平均平方偏差，得到矫正后的特征矩阵：
xi′＝xi+MSD,X′＝{x′1,x′2,…,x′i,...x′n}
其中，x′i为样本xi加上平均平方偏差MSD后的偏差样本；
X′是由所有的x′i组成的带有偏差矫正的特征矩阵；
(413)计算矫正后的行人图像特征向量的模长，对特征向量进行归一化，通过点积运算计算每两张图片之间的余弦相似度：
Figure GDA0004216311090000044
其中，|X′|是向量X′的模长，经过归一化之后的X″是一个长度为1，方向与X′相同的向量；
Dist是通过特征矩阵X″与其转置矩阵X″T进行点积运算，得到的相似度矩阵。
所述步骤(222)中，由权重矩阵和特征向量之间的夹角大小作为行人类别预测的标准。
所述步骤(412)中，通过行人图像所属类别的内部平均平方偏差对行人图像特征进行矫正。
有益效果：
本发明提供的基于球面相似度层次聚类的无监督行人重识别方法，具有以下优点：
第一，无监督学习不需要人工对数据进行标注，能够节省大量的人工成本。在实验中，因为需要测定本方法的有效性，因此使用的数据集都是带有数据标注的。在训练过程中，本方法会首先将输入数据的标注信息抹去，得到无标注的输入数据。
第二，将球面相似度的计算和球形损失引入使用层次聚类的无监督行人重识别过程中。通过球面相似度与矫正项的计算，能够得到对行人图像之间相似度关系的更加准确的描述，提高在无监督条件下聚类的准确度。
第三，通过球形损失在训练阶段对分类预测结果进行约束，由于减少的影响分类预测结果的因素，提高了分类预测的准确度。
第四，本方法中使用的层次聚类的方法对比传统聚类方法，能够在不人为设置聚类类别的情况下对无标注数据进行聚类，并以测试结果作为是否停止聚类操作的判别标准，进一步减少人为操作对训练过程的干预
附图说明
图1为本发明的实施流程框图；
图2为实现本发明的逻辑框图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种基于球面相似度层次聚类的无监督行人重识别方法的实施流程框图，下面结合附图做具体说明。
步骤一、输入行人图片数据
目前常用的大规模行人重识别数据集有Market-1501，Duke-MTMC，Mars等，均包含大量的行人图像，以及每张图像对应的行人标签，可以用来作为验证本发明有效性的测试数据。
步骤二、训练深度神经网络并评估行人重识别结果
(21)使用深度残差网络对图片进行特征提取得到行人图片的特征；
(22)对行人图像特征和权重矩阵进行归一化，并使用图像的行人类别标签，通过球形损失函数作为目标函数训练深度神经网络对输入的行人图像进行分类预测；
(221)在计算球形损失函数之前，先计算行人图像特征向量x*和权重矩阵W*的模长，对特征向量和权重矩阵进行归一化：
Figure GDA0004216311090000051
所述步骤(221)中，对行人图片特征向量和权重矩阵进行归一化；由于在进行矩阵点积计算时，其计算公式为：
Wj·x＝|Wj||x|cosθj
所以计算结果不仅与向量之间的夹角θj有关，也与向量的模长|Wj|和|x|有关，归一化以后，则只与向量之间的夹角θj有关，使得分类标准简单清晰。
根据行人重识别算法在训练过程中需要的输入数据可以看出，在用与训练过程的行人图像没有人为标注真实行人类别的前提下，训练一个用于进行行人重识别的深度神经网络需要聚类过程能够将真实属于同一行人类别的图像赋予相同的行人类别标签。
(222)求归一化后的特征向量和权重矩阵的点积，并将其与类别标签送入球形损失函数计算预测损失，球形损失函数可以表示为：
Figure GDA0004216311090000061
(23)并评估深度神经网络的训练结果；
步骤三、判断是否继续进行聚类操作
计算当前独立的行人标签数量m，与进行聚类操作的行人标签数量n，
情况①：若剩余独立行人标签数量m大于进行聚类操作的行人标签数量n，继续进行聚类操作；
情况②：若剩余独立行人标签数量m小于等于进行聚类操作的行人标签数量n，则聚类操作结束，停止算法运行；
步骤四、进行聚类操作
(41)根据提取到的行人图片的特征和类别标签，计算每两张行人图片的球面相似度以及按类别计算类别内部样本的总体平方偏差并求和，得到相似度矩阵；
(411)首先，按照图片标签对图片特征向量进行分组，计算每组特征向量X＝{x1,x2,…,xn}的平均平方偏差：
Figure GDA0004216311090000062
(412)将行人图像特征加上其所属类别的内部平均平方偏差，得到矫正后的特征矩阵：
x′i＝xi+MSD,X′＝{x′1,x′2,…,x′i,…x′n}
所述步骤(412)中，将行人图像特征与其所属类别的内部平均平方偏差相加；由于聚类过程存在先后顺序的问题，会出现在某些类别有很多张行人图片的同时，另一些类别只有一张或者很少几张行人图片的情况；同时，由于不同类别中的行人图像的分布并不均匀，存在某些类别中的行人图片特征十分接近，而另一些类别中的行人图片特征并不接近的情况。因此，图像特征与类内平均平方偏差相加能够①促使包含行人图片少的类别尽快进行聚类；②促使进行聚类操作的某张行人图片或者某个行人类别选择具有更高相似度的行人类别
(413)计算矫正后的行人图像特征向量的模长，对特征向量进行归一化，通过点积运算计算每两张图片之间的余弦相似度：
Figure GDA0004216311090000071
所述步骤(413)中，对矫正后的行人图像特征进行归一化；由于行人图像在获取的过程中，由于时间和摄像头位置的不同，所得的行人图像通常受到光照，角度等客观因素的影响，造成行人图像之间普遍存在结构化的差异。通过归一化能够在一定程度上削弱这种结构化差异的影响，使得到的行人特征更加准确。
(42)对得到的相似度矩阵中数值进行排序，选取前n个最小相似度差值，得到最相似的n对图像；
(43)将得到的n对图像进行标签的合并，删除多余的标签。
本发明根据行人图片和图片标签对行人重识别网络进行训练，通过训练得到的网络对图片进行特征提取，衡量图片特征之间的相似度，再使用层次聚类中“自底向上”的聚合策略对行人图片进行类别合并。
行人重识别是一种在给定行人身份的情况下，从单个或多个摄像头拍摄的图像中找到所有属于该行人身份的图像的计算机视觉技术。但是，在现实场景的应用中，受到摄像头位置的影响，不同摄像头之间拍摄到的行人图像在诸如光照，角度等方面存在较大的差异，这种差异是结构化的，并且很难通过其他方法对这些影响因素进行清除。同时，传统的基于人工标注图片中行人身份信息的有监督行人重识别方法需要投入大量的人力和时间成本对庞大的数据集进行标注，对于实际的场景应用上也存在较大的差距。因此，基于“自底向上”的层次聚类方式的无监督行人重识别方法非常适用于解决现有情况下的实际应用问题。
行人重识别算法在训练过程就是在给定输入行人图像和图像类别的情况下，通过深度神经网络对行人图像进行特征提取，经过预测函数输出预测的行人图像类别，通过球形损失函数计算预测的图像类别与输入的图像类别之间的损失值，并以损失值为标准对深度神经网络中的参数进行自动的调整的过程。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于球面相似度层次聚类的无监督行人重识别方法，其特征在于：通过球面特征对行人图像进行分类，使用球面相似度衡量图像样本之间的相似度，加入图像类别内部平均平方偏差矫正不同聚类程度的图像之间相似度衡量，包括如下步骤：
(1)输入数据，包括如下步骤：
(11)输入行人图片；
(12)赋予输入的每张行人图片一个独立的标签作为行人类别；
(2)针对行人重识别任务训练深度神经网络并评估行人重识别结果，包含如下步骤：
(21)使用深度残差网络对图片进行特征提取得到行人图片的特征；
(22)对行人图像特征和权重矩阵进行归一化，并使用图像的行人类别标签，通过球形损失函数作为目标函数训练深度神经网络对输入的行人图像进行分类预测；
(23)并评估深度神经网络的训练结果；
(3)判断是否继续进行聚类操作：
计算当前独立的行人标签数量m，与进行聚类操作的行人标签数量n，
情况①：若剩余独立行人标签数量m大于进行聚类操作的行人标签数量n，继续进行聚类操作；
情况②：若剩余独立行人标签数量m小于等于进行聚类操作的行人标签数量n，则聚类操作结束，停止算法运行；
(4)进行聚类操作，包含如下步骤：
(41)根据提取到的行人图片的特征和类别标签，计算每两张行人图片的球面相似度以及按类别计算类别内部样本的总体平方偏差并求和，得到相似度矩阵；
(42)对得到的相似度矩阵中数值进行排序，选取前n个最小相似度差值，得到最相似的n对图像；
(43)将得到的n对图像进行标签的合并，删除多余的标签，并返回步骤(2)；
所述步骤(22)中，通过球形损失函数作为目标函数训练深度神经网络的具体方法为：
(221)在计算球形损失函数之前，先计算行人图像特征向量x*和权重矩阵W*的模长，对特征向量和权重矩阵进行归一化：
Figure FDA0004216311080000021
其中，x*与W*分别为通过神经网络提取到的图片特征和权重矩阵；
|x*|表示x*求模长的操作，|Wj *|表示Wj *求模长的操作，因此x与W为经过归一化之后得到的长度为1，方向与原始方向相同的特征向量和权重矩阵；
(222)求归一化后的特征向量和权重矩阵的点积，并将其与类别标签送入球形损失函数计算预测损失，球形损失函数表示为：
Figure FDA0004216311080000022
其中，N为样本的数量，x与W是由(221)中得到的归一化后的特征向量和权重矩阵；
所述步骤(41)中，计算行人图片相似度矩阵的方法为：
(411)首先，按照图片标签对图片特征向量进行分组，计算每组特征向量X＝{x1,x2,…,xn}的平均平方偏差：
Figure FDA0004216311080000023
其中，某一类别中含有的样本xi的数量为n，
Figure FDA0004216311080000024
是此类别中全部样本的平均值；
MSD是此类别的平均平方偏差，它是类别中每个样本xi与类别均值
Figure FDA0004216311080000025
之差的平方和的平均值；
(412)将行人图像特征加上其所属类别的内部平均平方偏差，得到矫正后的特征矩阵：
xi ′＝xi+MSD,X′＝{x′ 1,x′ 2,…,xi ′,…x′ n}
其中，xi ′为样本xi加上平均平方偏差MSD后的偏差样本；
X′是由所有的xi ′组成的带有偏差矫正的特征矩阵；
(413)计算矫正后的行人图像特征向量的模长，对特征向量进行归一化，通过点积运算计算每两张图片之间的余弦相似度：
Figure FDA0004216311080000031
Dist＝X″·X″T
其中，|X′|是向量X′的模长，经过归一化之后的X″是一个长度为1，方向与X′相同的向量；
Dist是通过特征矩阵X″与其转置矩阵X″T进行点积运算，得到的相似度矩阵；
所述步骤(222)中，由权重矩阵和特征向量之间的夹角大小作为行人类别预测的标准。
2.根据权利要求1所述的基于球面相似度层次聚类的无监督行人重识别方法，其特征在于，所述步骤(412)中，通过行人图像所属类别的内部平均平方偏差对行人图像特征进行矫正。
CN201911163066.1A 2019-11-25 2019-11-25 一种基于球面相似度层次聚类的无监督行人重识别方法 Active CN110968735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911163066.1A CN110968735B (zh) 2019-11-25 2019-11-25 一种基于球面相似度层次聚类的无监督行人重识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911163066.1A CN110968735B (zh) 2019-11-25 2019-11-25 一种基于球面相似度层次聚类的无监督行人重识别方法

Publications (2)

Publication Number Publication Date
CN110968735A CN110968735A (zh) 2020-04-07
CN110968735B true CN110968735B (zh) 2023-06-20

Family

ID=70031352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911163066.1A Active CN110968735B (zh) 2019-11-25 2019-11-25 一种基于球面相似度层次聚类的无监督行人重识别方法

Country Status (1)

Country Link
CN (1) CN110968735B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113282756B (zh) * 2021-06-29 2023-01-10 华南农业大学 一种基于混合聚类的文本聚类智能评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295678B (zh) * 2016-07-27 2020-03-06 北京旷视科技有限公司 神经网络训练与构建方法和装置以及目标检测方法和装置
CN108573243A (zh) * 2018-04-27 2018-09-25 上海敏识网络科技有限公司 一种基于深度卷积神经网络的低质量人脸的比对方法
CN109961051B (zh) * 2019-03-28 2022-11-15 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
CN110263697A (zh) * 2019-06-17 2019-09-20 哈尔滨工业大学（深圳） 基于无监督学习的行人重识别方法、装置及介质
CN110309810B (zh) * 2019-07-10 2021-08-17 华中科技大学 一种基于批次中心相似度的行人重识别方法

Also Published As

Publication number Publication date
CN110968735A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110414462B (zh) 一种无监督的跨域行人重识别方法及系统
CN110363122B (zh) 一种基于多层特征对齐的跨域目标检测方法
CN111814584B (zh) 基于多中心度量损失的多视角环境下车辆重识别方法
CN110414368B (zh) 一种基于知识蒸馏的无监督行人重识别方法
Lavi et al. Survey on deep learning techniques for person re-identification task
CN110929679B (zh) 一种基于gan的无监督自适应行人重识别方法
CN109063649B (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN112633382B (zh) 一种基于互近邻的少样本图像分类方法及系统
CN111598004B (zh) 一种渐进增强自学习的无监督跨领域行人再识别方法
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN110647907B (zh) 利用多层分类和字典学习的多标签图像分类算法
CN111126482A (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
Molina-Moreno et al. Efficient scale-adaptive license plate detection system
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
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
Wu et al. Typical target detection in satellite images based on convolutional neural networks
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN111091129B (zh) 一种基于多重颜色特征流形排序的图像显著区域提取方法
Symeonidis et al. Neural attention-driven non-maximum suppression for person detection
Yang et al. Increaco: incrementally learned automatic check-out with photorealistic exemplar augmentation
CN110968735B (zh) 一种基于球面相似度层次聚类的无监督行人重识别方法
CN113705310A (zh) 特征学习的方法、目标物体的识别方法和对应装置
CN111062393B (zh) 一种基于谱聚类的自然场景汉字分割方法
CN110781817A (zh) 一种解决部件不对齐的行人再识别方法
Li et al. A Siamese inception architecture network for person re-identification

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