CN111160217B - 一种行人重识别系统对抗样本生成方法及系统 - Google Patents
一种行人重识别系统对抗样本生成方法及系统 Download PDFInfo
- Publication number
- CN111160217B CN111160217B CN201911360046.3A CN201911360046A CN111160217B CN 111160217 B CN111160217 B CN 111160217B CN 201911360046 A CN201911360046 A CN 201911360046A CN 111160217 B CN111160217 B CN 111160217B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- stage
- sample
- pedestrian
- countermeasure
- 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
-
- 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
-
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及基于深度学习的计算机视觉领域,特别是涉及一种基于特征混淆及多阶段对抗生成网络的行人重识别系统对抗样本生成方法及系统。
背景技术
近年来,深度神经网络在计算机视觉任务中取得了广泛的成功。作为最重要的计算机视觉任务之一,行人重识别是通过从成对的图像中提取和测量可区分的特征来实现对摄像机中的各个个体的匹配。由于近年来先进方法的优异性能(如Sun等人于2018年的研究工作“Beyond part models:Person retrieval with refined part pooling and astrong convolutional baseline(ECCV)”),行人重识别在公安视频监控或刑事鉴定中开始广泛应用开来。
然而,尽管深度学习在各种应用中取得了巨大成功和广泛应用,但最近的研究发现神经网络是极其脆弱的(如Su等人于2019年的研究工作“One pixel attack forfooling deep neural networks(TEVC)”)。具体来说,网络的分类能力会因为对图像产生较小但具有欺骗性噪声的对抗样本而被破坏。近两年来,对抗样本在欺骗视觉分类系统方面取得了显著的成功。不难想象,目前的行人重识别模型也容易受到对抗样本的影响,因为这些方法大多数都是基于深层神经网络。
但将欺骗视觉分类系统的方法简单地移植到行人重识别是不可行的,因为严格来说行人重识别是一个匹配的任务而非分类任务。在视觉分类中,对象类别是固定的。因此,攻击视觉分类系统的对抗样本仅需在一组紧密的类别中对象进行错误分类即可,然而视觉匹配系统里的对象是处于类别可看作无穷多的开放集合中的。因此,对象类别数的爆发增长是欺骗视觉分类系统类方法无法有效迁移的根本挑战。为了将攻击者推广到未知类别,必须考虑测量任意两个给定图像之间的视觉相似性,这就需要提出一种新的基于视觉相似性的攻击范式。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种行人重识别系统对抗样本生成方法及系统,通过利用多阶段对抗生成网络中生成器与多阶段判别器之间的交互,通过多阶段判别器逐步提升分辨对抗样本与普通样本的能力,而生成器也因此能逐步生成更好欺骗判别器的对抗扰动,同时多阶段判别器可发掘图像的重要区域,使得能最小化扰动点的数量。
为达上述及其它目的,本发明提出一种行人重识别系统对抗样本生成方法,包括如下步骤:
优选地,步骤S1进一步包括:
步骤S100,选择含有类别标注的数据集作为模型监督学习的训练样本;
步骤S101,将原始输入图片I输入由六个基本残差单元构建的残差网络生成对抗扰动每个基本残差单元由一个3×3的卷积层、批归一化层、修正的线性激活单元组成,前三个单元之间间隔两次降采样,后三个单元之间间隔两次升采样。
优选地,于步骤S2中,所述多阶段判别器由图像金字塔阶段及阶段金字塔阶段构成,在图像金字塔阶段生成多种分辨率的特征图集/>在阶段金字塔阶段,根据图像金字塔阶段的特征图集/>生成可控制对抗扰动点数量的二元掩模图/>
优选地,步骤S2进一步包括:
步骤S200,在图像金字塔阶段,采用并列、结构相同但互不共享参数的三个卷积神经网络将步骤S1中生成的对抗扰动拷贝三份,每一个子网络接收不同尺度的图像输入,经过五次卷积及三次降采样后,分别输出三张具有不同感受野的高维特征图每个特征特图再以均方误差作为损失函数监督;
步骤S201,在阶段金字塔阶段挑选出所有同分辨率的特征图,将其作按位加法,然后不断将低分辨率的特征图进行上采样,逐步按位加到后一层更大分辨率的特征图上,最后通过一次反卷积操作生成与原图大小一致的预掩模图
优选地,于步骤S200中,将步骤S1中生成的对抗扰动拷贝三份,分别将其降采样为倍于原图的大小得到/>将其按位加到经过同样处理的原图{I1,I2,I3}上,得到三份分辨率大小不同的对抗样本{I′1,I′2,I′3},将其与原图做特征连接后,每一个并列子网络分别接收对应分辨率的图像,经过五次卷积和三次降采样后,分别输出三张具有不同感受野的高维特征图/> 每个特征特图再以均方误差作为损失函数监督。
优选地,于步骤S5后,还包括如下步骤:
在每个训练样本迭代完成后,根据最后对抗样本生成的优劣,对训练样本进行带权的重采样,其权值由估计值与行人重识别模型的返回值成正比。
为达到上述目的,本发明还提供一种行人重识别系统对抗样本生成系统,包括:
迭代训练单元,多次迭代式地进行对抗扰动生成单元、多阶段判别单元、掩模整合单元以及混淆监督单元的训练过程,更新生成器与多阶段判别器/>的参数,所述掩模整合单元最后生成的对抗样本/>即为经过优化的可欺骗行人重识别系统的对抗样本。
优选地,于所述多阶段判别单元中,所述多阶段判别器由图像金字塔阶段及阶段金字塔阶段构成,在图像金字塔阶段生成多种分辨率的特征图集/>在阶段金字塔阶段,根据图像金字塔阶段的特征图集/>生成可控制对抗扰动点数量的二元掩模图/>
与现有技术相比,本发明一种行人重识别系统对抗样本生成方法通过将原始的输入图片输入至多阶段对抗生成网络,利用多阶段对抗生成网络中生成器与多阶段判别器之间的交互,生成器逐步生成能更好欺骗判别器的对抗扰动,多阶段判别器逐步提升分辨对抗样本与普通样本的能力,该方法中的多阶段判别器模型能够学到对抗样本中最为重要的位置信息,因此在多阶段判别器模型的基础上,增加了像素采样器,用以辅助生成器控制对抗扰动所需的像素点,以进一步减少对原始样本的视觉影响。本发明将像素采样器生成的二元掩模图与生成器生成的扰动施以按位乘法,则可生成数量可控的扰动点,并将其添加到原始样本中,并以特征混淆损失函数、对抗学习损失函数、经平滑的分类混淆函数及多尺度结构相似损失函数作为监督,更新该扰动;多次迭代式地进行前述训练过程,获得经过优化的极易欺骗各类行人重识别系统的对抗样本。
附图说明
图1为本发明一种行人重识别系统对抗样本生成方法的步骤流程图;
图3为本发明具体实施例中迭代式训练过程的示意图;
图4为本发明一种行人重识别系统对抗样本生成系统的系统架构图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种行人重识别系统对抗样本生成方法的步骤流程图。如图1所示,本发明一种行人重识别系统对抗样本生成方法,包括如下步骤:
步骤S100,选择含有类别标注的数据集作为模型监督学习的训练数据,同时等量地选取同类别的行人样本以及与其不同类别的行人样本;
步骤S2,将步骤S1中生成的扰动按位加至原始输入图片I,生成粗对抗样本I′,将其与原始输入作特征连接,输入至多阶段判别器/>利用所述多阶段判别器/>生成可控制对抗扰动点数量的二元掩模图/>具体地,在多阶段判别器/>的图像金字塔阶段生成多种分辨率的特征图集/>在阶段金字塔阶段,多阶段判别器/>根据图像金字塔阶段的特征图集/>生成可控制对抗扰动点数量的二元掩模图/>
具体地,步骤S2进一步包括:
步骤S200,在图像金字塔阶段,三个并列的卷积神经网络结构相同,但互不共享参数,将步骤S1中生成的对抗扰动拷贝三份,分别将其降采样为倍于原图的大小得到/>将其按位加到经过同样处理的原图{I1,I2,I3}上,得到三份分辨率大小不同的对抗样本{I′1,I′2,I′3},将其原图做特征连接后,每一个并列子网络分别接收对应分辨率的图像,经过五次卷积(其中前三个卷积层包含卷积、批归一化、谱规范化、带泄漏的线性修正单元及步长为2的降采样(滑动步长=2的卷积),第四个卷积层仅包含卷积、谱规范化、带泄漏的线性修正单元,第五个卷积层仅有卷积操作),分别输出三张具有不同感受野的高维特征图/>每个特征特图再以均方误差作为损失函数监督。
步骤S201,以步骤S200中图像金字塔阶段的三个并列的卷积神经网络结构产生多种分辨率的特征图集在阶段金字塔阶段挑选出所有同分辨率的特征图,将其作按位加法,然后不断将低分辨率的特征图进行上采样,逐步按位加到后一层更大分辨率的特征图上,最后通过一次反卷积操作生成与原图大小一致的预掩模图/>
Gumbel softmax使得预掩模图二值化,并通过一个超参数τ控制掩模图中置1的数量,当τ→0时,Gumbel softmax分布趋于独热分布(即只有一个位置置1,其他位置置0),从而生成最终的掩模图/>由于Gumbel softmax的软化,二元掩模图可以通过反向传播的方式进行更新。
具体地,如图3所示,特征混淆损失函数将攻击目标的特征与在{Ics}中的样本(即同类别的样本)的特征推开,并将攻击目标与在{Icd}中的样本(即不同类别的样本)的特征拉近,从而达到最终的混淆目的,{Ics}代表与攻击目标同类别的其他样本,{Icd}代表与攻击目标不同类别的其他样本,具体地,特征混淆损失函数/>可以通过下式表达:
其中,Ck是训练时采样样本的类别数量,cs和cd时来自同类/不同类的呀根本,dist(·)代表度量函数,Δ为边界阈值。
其中,S代表log-softmax函数,K是行人身份类别的总数, 为平滑正则项,vk则代表除了真实标签k以外的类别概率均为/>其他为0。argmin(·)给出行人重识别模型/>返回中可能性最小类别的下标。/>相比于不添加平滑正则项的分类混淆函数,其使得训练过程更加稳定。
其中,L代表缩放尺度的等级,αL,βj,γj代表对于各个成分的贡献度配比,lL,cj,sj可参考Wang等人的论文“Multiscale structural similarity for image qualityassessment”(ACSSC,volume2,1398–1402.Ieee,2003)。该损失函数能够较好地模拟人类视觉系统的主观感知,训练时添加该损失函数可使得对抗扰动在变化很大时,依然可以不被人察觉。
最后,综合上述的所有损失函数,整个网络训练的监督损失函数可用下式表示:
其中,μ和ξ分别为权重因子,用以平衡特征混淆与视觉质量之间的占比度。
步骤S5,多次迭代式地进行步骤S1-S4的训练过程,最终获得经过精细化后的人群密度图,其中每一轮经迭代细化后的密度图Mi都将作为可迭代的空间感知细化模块的下一轮迭代的输入,根据长短期记忆模块的策略进一步进行细化。
图3为本发明具体实施例中迭代式训练过程的示意图,具体地,交替地进行步骤S1、S2、S3、S4,直到满足设定的停止条件时停止整个模型的训练。
较佳地,于步骤S5后,本发明之基于特征混淆及多阶段对抗生成网络的行人重识别系统对抗样本生成方法还包括如下步骤:
在每个训练样本迭代完成后,根据最后对抗样本生成的优劣,对训练样本进行带权的重采样,其权值由估计值与行人重识别模型的返回值成正比。
图4为本发明一种行人重识别系统对抗样本生成系统的系统架构图。如图4所示,本发明一种行人重识别系统对抗样本生成系统,包括:
训练数据选择单元,选择含有类别标注的数据集作为模型监督学习的训练数据,同时等量地选取同类别的行人样本以及与其不同类别的行人样本;
特征抽取单元,利用六个基本残差单元构建的残差网络对输入图片I生成对抗扰动每个残差单元由一个3×3的卷积层、批归一化层、修正的线性激活单元组成,前三个单元间隔着两次降采样,后三个单元则间隔着两次升采样。
多阶段判别单元402,用于将对抗扰动生成单元401产生的对抗扰动按位加至原始输入图片I,生成粗对抗样本I′,将其与原始输入作特征连接,输入至多阶段判别器/>在图像金字塔阶段生成多种分辨率的特征图集/>在阶段金字塔阶段,多阶段判别器/>根据图像金字塔阶段的特征图集/>生成可控制对抗扰动点数量的二元掩模图/>
具体地,多阶段判别单元402进一步包括:
图像金字塔单元,用于将对抗扰动生成单元401中生成的对抗扰动拷贝三份,分别将其降采样为倍于原图的大小得到/>将其按位加到经过同样处理的原图{I1,I2,I3}上,得到三份分辨率大小不同的对抗样本{I′1,I′2,I′3}。将其原图做特征连接后,每一个并列子网络分别接收对应分辨率的图像,经过五次卷积(及批归一化、谱规范化、带泄漏的线性修正单元)和三次降采样后,分别输出三张具有不同感受野的高维特征图/>每个特征特图再以均方误差作为损失函数监督。
阶段金字塔单元,用于接收以图像金字塔单元中图像金字塔阶段的三个并列的卷积神经网络结构产生多种分辨率的特征图集在阶段金字塔阶段挑选出所有同分辨率的特征图,将其作按位加法,然后不断将低分辨率的特征图进行上采样,逐步按位加到后一层更大分辨率的特征图上,最后通过一次反卷积操作生成与原图大小一致的预掩模图
其中,i∈(0,H),j∈(0,W)代表了尺寸为H×W的特征图中的各个像素。概率值pi,j由预掩模图各个位置的值λi,j参数化,/>其中U为(0,1)之间的均匀分布。Gumbel softmax使得预掩模图/>二值化,并通过一个超参数τ控制掩模图中置1的数量,当τ→0时,Gumbel softmax分布趋于独热分布(即只有一个位置置1,其他位置置0),从而生成最终的掩模图/>由于Gumbel softmax的软化,二元掩模图可以通过反向传播的方式进行更新。
混淆监督单元404,用将掩模整合单元403中生成的对抗样本输入至待攻击的行人重识别模型/>模型的返回值作为特征混淆损失函数/>对抗学习损失函数经平滑的分类混淆函数/>及多尺度结构相似损失函数/>的输入。
迭代训练单元405,多次迭代式地进行对抗扰动生成单元401、多阶段判别单元402、掩模整合单元403以及混淆监督单元404的训练过程,更新生成器与多阶段判别器/>的参数,掩模整合单元403中最后生成的样本/>即为经过优化的可欺骗行人重识别系统的对抗样本。
较佳地,迭代训练单元405在每个训练样本迭代完成后,对训练样本进行带权的重采样,其权值由估计值与行人重识别模型的返回值成正比。
综上所述,本发明一种行人重识别系统对抗样本生成方法通过将原始的输入图片输入至多阶段对抗生成网络,利用多阶段对抗生成网络中生成器与多阶段判别器之间的交互,生成器逐步生成能更好欺骗判别器的对抗扰动,多阶段判别器逐步提升分辨对抗样本与普通样本的能力,该方法中的多阶段判别器模型能够学到对抗样本中最为重要的位置信息,因此在多阶段判别器模型的基础上,增加了像素采样器,用以辅助生成器控制对抗扰动所需的像素点,以进一步减少对原始样本的视觉影响。本发明将像素采样器生成的二元掩模图与生成器生成的扰动施以按位乘法,则可生成数量可控的扰动点,并将其添加到原始样本中,并以特征混淆损失函数、对抗学习损失函数、经平滑的分类混淆函数及多尺度结构相似损失函数作为监督,更新该扰动;多次迭代式地进行前述训练过程,获得经过优化的极易欺骗各类行人重识别系统的对抗样本。本发明有效地捕捉了图片中各位置的特征,同时在迭代优化过程中可根据任意两个给定图像之间的视觉相似性生成欺骗性噪声,而无需限定其必须落于给定的类别中,使得最终的性能及实用范围超过了现有的基于欺骗视觉分类系统的方法。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (8)
1.一种行人重识别系统对抗样本生成方法,包括如下步骤:
于步骤S2中,所述多阶段判别器由图像金字塔阶段及阶段金字塔阶段构成,在图像金字塔阶段生成多种分辨率的特征图集/>在阶段金字塔阶段,根据图像金字塔阶段的特征图集/>生成可控制对抗扰动点数量的二元掩模图/>
步骤S2进一步包括:
步骤S200,在图像金字塔阶段,采用并列、结构相同但互不共享参数的三个卷积神经网络将步骤S1中生成的对抗扰动拷贝三份,每一个子网络接收不同尺度的图像输入,经过五次卷积及三次降采样后,分别输出三张具有不同感受野的高维特征图每个特征特图再以均方误差作为损失函数监督;
步骤S201,在阶段金字塔阶段挑选出所有同分辨率的特征图,将其作按位加法,然后不断将低分辨率的特征图进行上采样,逐步按位加到后一层更大分辨率的特征图上,最后通过一次反卷积操作生成与原图大小一致的预掩模图
6.如权利要求1所述的一种基于特征混淆及多阶段对抗生成网络的行人重识别系统对抗样本生成方法,其特征在于:于步骤S5后,还包括如下步骤:
在每个训练样本迭代完成后,根据最后对抗样本生成的优劣,对训练样本进行带权的重采样,其权值由估计值与行人重识别模型的返回值成正比。
7.一种行人重识别系统对抗样本生成系统,用于实现权利要求1至6任一所述的方法,包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911360046.3A CN111160217B (zh) | 2019-12-25 | 2019-12-25 | 一种行人重识别系统对抗样本生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911360046.3A CN111160217B (zh) | 2019-12-25 | 2019-12-25 | 一种行人重识别系统对抗样本生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160217A CN111160217A (zh) | 2020-05-15 |
CN111160217B true CN111160217B (zh) | 2023-06-23 |
Family
ID=70558003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911360046.3A Active CN111160217B (zh) | 2019-12-25 | 2019-12-25 | 一种行人重识别系统对抗样本生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160217B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115781B (zh) * | 2020-08-11 | 2022-08-16 | 西安交通大学 | 基于对抗攻击样本和多视图聚类的无监督行人重识别方法 |
CN112232241B (zh) * | 2020-10-22 | 2022-03-25 | 华中科技大学 | 一种行人重识别方法、装置、电子设备和可读存储介质 |
CN112364641A (zh) * | 2020-11-12 | 2021-02-12 | 北京中科闻歌科技股份有限公司 | 一种面向文本审核的中文对抗样本生成方法及装置 |
CN112949822B (zh) * | 2021-02-02 | 2023-08-04 | 中国人民解放军陆军工程大学 | 一种基于双重注意力机制的低感知性对抗样本构成方法 |
CN113111963B (zh) * | 2021-04-23 | 2023-06-02 | 清华大学深圳国际研究生院 | 一种黑盒攻击行人重识别系统的方法 |
CN113450271B (zh) * | 2021-06-10 | 2024-02-27 | 南京信息工程大学 | 一种基于人类视觉模型的鲁棒自适应对抗样本生成方法 |
CN113869233A (zh) * | 2021-09-30 | 2021-12-31 | 湖南大学 | 一种基于上下文特征不一致性的多专家对抗攻击检测方法 |
CN113989838A (zh) * | 2021-10-26 | 2022-01-28 | 中山大学 | 行人重识别模型训练方法、识别方法、系统、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135366A (zh) * | 2019-05-20 | 2019-08-16 | 厦门大学 | 基于多尺度生成对抗网络的遮挡行人重识别方法 |
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 |
CN110334806A (zh) * | 2019-05-29 | 2019-10-15 | 广东技术师范大学 | 一种基于生成式对抗网络的对抗样本生成方法 |
CN110443203A (zh) * | 2019-08-07 | 2019-11-12 | 中新国际联合研究院 | 基于对抗生成网络的人脸欺骗检测系统对抗样本生成方法 |
-
2019
- 2019-12-25 CN CN201911360046.3A patent/CN111160217B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110135366A (zh) * | 2019-05-20 | 2019-08-16 | 厦门大学 | 基于多尺度生成对抗网络的遮挡行人重识别方法 |
CN110334806A (zh) * | 2019-05-29 | 2019-10-15 | 广东技术师范大学 | 一种基于生成式对抗网络的对抗样本生成方法 |
CN110443203A (zh) * | 2019-08-07 | 2019-11-12 | 中新国际联合研究院 | 基于对抗生成网络的人脸欺骗检测系统对抗样本生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160217A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160217B (zh) | 一种行人重识别系统对抗样本生成方法及系统 | |
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
CN107506740B (zh) | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 | |
CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
CN112906720B (zh) | 基于图注意力网络的多标签图像识别方法 | |
CN105678284B (zh) | 一种固定位人体行为分析方法 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN111291809B (zh) | 一种处理装置、方法及存储介质 | |
CN111767882A (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
CN109754078A (zh) | 用于优化神经网络的方法 | |
CN111598182B (zh) | 训练神经网络及图像识别的方法、装置、设备及介质 | |
CN112561027A (zh) | 神经网络架构搜索方法、图像处理方法、装置和存储介质 | |
CN110222718B (zh) | 图像处理的方法及装置 | |
Ablavatski et al. | Enriched deep recurrent visual attention model for multiple object recognition | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN110569971B (zh) | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 | |
CN106886798A (zh) | 基于矩阵变量的高斯分布受限玻尔兹曼机的图像识别方法 | |
CN111832580B (zh) | 结合少样本学习与目标属性特征的sar目标识别方法 | |
CN116740362B (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及系统 | |
CN110119805A (zh) | 基于回声状态网络分类的卷积神经网络算法 | |
CN114299304B (zh) | 一种图像处理方法及相关设备 | |
CN114492581A (zh) | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 | |
CN112560960A (zh) | 一种高光谱图像分类方法、装置以及计算设备 |
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 |