CN111460914B - 一种基于全局和局部细粒度特征的行人重识别方法 - Google Patents
一种基于全局和局部细粒度特征的行人重识别方法 Download PDFInfo
- Publication number
- CN111460914B CN111460914B CN202010174095.4A CN202010174095A CN111460914B CN 111460914 B CN111460914 B CN 111460914B CN 202010174095 A CN202010174095 A CN 202010174095A CN 111460914 B CN111460914 B CN 111460914B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- global
- local
- image
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 abstract description 7
- 235000019580 granularity Nutrition 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全局和局部细粒度特征的行人重识别方法，包括下述步骤：获取行人图像并进行数据预处理；采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图；构建行人重识别网络的全局分支、第一局部分支和第二局部分支；训练行人重识别网络；采用全局分支进行全局特征提取得到全局特征；采用第一局部分支和第二局部分支进行局部特征提取得到局部特征；将全局特征和局部特征通过张量连接作为行人的最终特征表示，将检索行人的特征表示与查询库中其他行人在网络中输出的特征向量进行距离计算，按距离进行排序得出最终的相似度结果。本发明采用端到端地进行训练和测试，提高了识别的精度，更好地满足摄像头行人识别的要求。
Description
技术领域
本发明涉及行人重识别技术领域，具体涉及一种基于全局和局部细粒度特征的行人重识别方法。
背景技术
由于相机的分辨率和拍摄角度的缘故，使用监控摄像头通常无法得到质量高的人脸照片，在人脸失效的情况下，行人重识别就成为了一个非常重要的替代识别方法，行人重识别是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术，被广泛认为是图像检索的子任务。
在大规模行人重识别的场景下，因为监控视频图像的复杂性、训练数据总量以及多样性欠缺，让基于全局特征的学习模型放弃了很多不是很重要的特征或者不常见的特征，这样在判别时对于有很多相似共同点的人或者有较大类内差异的时候适用性不强。为了解决这个问题，从图像中定位重要的身体部位来提取局部信息的表征已经被证明是一种有效的途径来改进行人重识别的精度。
常见的基于局部特征的行人重识别方法包括用强结构信息来定位身体局部区域、用建议区域特征提取及在网络中间层对显著的身体区域做特征增强；这些方法存在的主要问题是行人姿势或者遮挡的变化会影响局部特征的可靠性，只关注特定部分，并没有覆盖所有的可做行人区分的局部特征信息并且大部分方法都不是端到端的，增加了训练的难度和复杂度。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种基于全局和局部细粒度特征的行人重识别方法，改进以往的基于局部特征的行人重识别方法，利用残差网络结合全局和不同粒度的局部信息端到端地进行训练和测试，提高了识别的精度，更好地满足摄像头行人识别的要求。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种基于全局和局部细粒度特征的行人重识别方法，包括下述步骤：
获取行人图像，进行所述行人图像的数据预处理；
特征图像提取：采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图；
构建行人重识别网络的全局分支、第一局部分支和第二局部分支；
训练行人重识别网络；
采用行人重识别网络的全局分支进行全局特征提取，得到全局特征；
采用行人重识别网络的第一局部分支和第二局部分支进行局部特征提取，得到局部特征；
将所述全局特征和局部特征通过张量连接，作为行人的最终特征表示，将检索行人的特征表示与查询库中其他行人在网络中输出的特征向量进行距离计算，按距离进行排序得出最终的相似度结果。
作为优选的技术方案，所述进行所述行人图像的数据预处理，所述数据预处理包括数据归一化、数据增广和随机擦除；
所述数据归一化具体步骤为：对行人图像进行归一化统一尺寸；
所述数据增广具体步骤为：对输入的行人图像进行水平翻转，增加图像数据数量；
所述随机擦除具体步骤为：对每张输入的行人图像随机选择图像中的矩形区域并删除对应像素。
作为优选的技术方案，所述矩形区域采用预设区域内的随机数乘以图像的统一尺寸生成。
作为优选的技术方案，所述采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图，具体步骤包括：
采用残差网络的conv1、conv2_x、conv3_x和conv4_x建立图像特征提取通道，分别经过conv_1的7x7卷积块进行第一次高层特征提取，经过conv2_x最大池化与3x3卷积块进行第二次高层特征提取，经过conv3_x和conv4_x的3x3卷积块后生成行人图像的高阶特征图。
作为优选的技术方案，所述采用行人重识别网络的全局分支进行全局特征提取，得到全局特征，具体步骤包括：
所述全局分支设有残差网络的conv5x，所述全局分支在res_conv5_1中采用步长为2的卷积层进行下采样，在输出的特征图上进行全局最大池化运算，并采用1×1卷积、批处理归一化和ReLU激活处理，将高维度特征改变为低维度特征。
作为优选的技术方案，采用行人重识别网络的第一局部分支和第二局部分支进行局部特征提取，得到局部特征，具体步骤包括：
所述第一局部分支和第二局部分支通过未采用下卷积的conv5_1保留局部特征细节，通过张量的划分将特征进行水平切割，在各通道上进行独立处理，得到局部特征。
作为优选的技术方案，所述在各通道上进行独立处理，具体步骤包括：全局最大池化运算、1×1卷积、批处理归一化和ReLU激活处理。
作为优选的技术方案，所述训练行人重识别网络，在训练过程中的总损失函数设置为：
Ltotal＝Lsoftmax+2Ltriplet+0.005Lcenterloss；
其中，
其中，Wk、bk分别表示第K类的权重向量及偏置，C表示训练数据集中的类的数量，N表示训练过程中的单批量的大小，
分别表示从批处理随机选定一张图、搜索的包含选定图目标行人的图片、搜索出的不包含选定图目标行人的图片中提取的特征，/>
表示控制阈值大小的超参数，P、K表示mini-batch中的行人个数及每个行人图片张数，fi表示第i个学到的特征，cyi表示fi所对应的第yi类的特征中心。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明采用平条纹作为局部特征学习的部分区域，简化了网络特征提取的过程，提高了学习的效率，获得了优异的性能。
(2)本发明采用一种端到端的网络结构，所有的处理都在同一个网络中进行，简化了训练的难度，大大提高训练的效率，方便进行模型的嵌入与改进。
(3)本发明采用多种损失函数相结合的方式进行模型的训练，在约束分类结果的同时优化了类内距离与类间距离，使行人图像在向量空间上的分布更为合理，大大提高识别的准确率。
附图说明
图1为本实施例Market-1501数据集示意图；
图2为本实施例行人特征细粒度划分示意图；
图3为本实施例基于全局和局部细粒度特征的行人重识别方法的流程示意图；
图4为本实施例resnet网络结构示意图；
图5为本实施例基于全局和局部细粒度特征的行人重识别网络框架示意图；
图6为本实施例总损失函数变化曲线示意图；
图7为本实施例同步测试结果曲线示意图。
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。
实施例
在本实施例中，所使用的训练及测试数据采用开源数据集Market-1501的行人图片，在开放环境下用六个摄像机收集的，行人图片已经使用DPM detector裁剪出来，整个数据集分为训练集，其中包含751个行人，12936张图片。测试集包含750个人，3368张查询图片和19732张图片构成的查询图片库。如图1所示，图中为Market-1501数据集图片，可看出摄像头采集的图像特点，行人角度多变、背景环境复杂、行人姿势丰富。
本实施例提供一种基于全局和局部细粒度特征的行人重识别方法，是对行人图像的身体进行不同粒度的划分，以提取不同粒度层次的身份信息。如图2所示，图中为行人特征细粒度划分，从左到右为对身体部分划分从粗到细的粒度，左边为整个行人身体的图片，也是最粗的粒度，中间和右边示意了将行人从原始图片分成3个和4个条状块，分的条越多，细节粒度就越小，通过不同数量的分割条引入了粒度的多样性，其中粒度最粗的情况被提取出全局特征，其余被分割的小图中就更能集中发现这个区域内的身份信息，排出其他相邻区域干扰。这些局部区域并不需要根据语义特别设置，只是将原始图片进行等分，采用更为简化的网络而达到其他使用结构信息的复杂方法更为优秀的结果。本实施例设计端到端的多种粒度融合网络，提升检测精确度的同时也使得多分支协作提升了各自的表征能力。
如图3所示，本实施例提供一种基于全局和局部细粒度特征的行人重识别方法，包括下述步骤：
图像数据预处理：给定任意尺寸的行人图像，归一化输入为统一尺寸384像素*128像素，对统一尺寸的图像进行图像数据预处理，主要包括数据增广和随机擦除；数据增广主要是对输入图像进行水平翻转达到数据增加；随机擦除是通过对每张输入图像随机地选择图像中的矩形区域并删除其像素的方式，增加图像的干扰，以模拟日常采样图像中行人被部分遮挡的情况，其中矩形区域大小由(0.02，0.4)区域内的随机数乘以图像尺寸384*128生成；
特征图像的提取：利用残差网络建立图像特征提取通道，生成行人图片的高阶特征图，为之后的全局和局部细粒度特征提取做初步的准备；
在本实施例中，利用不同摄像机拍摄的行人图片，如图4、图5所示，本实施例行人图片的重识别网络是一个多分支深度神经网络，包含一个全局支线和两个局部支线，在resnet网络结构中使用resnet-50网络作为重识别网络的主干，resnet前四层的conv1、conv2_x、conv3_x、conv4_x，通过conv_1的7x7卷积块进行粗略高层特征提取，之后conv2_x最大池化与3x3卷积实现了较为精细的高层特征提取，再后的conv3_x和conv4_x使用累积的3x3小卷积实现了更为精细的高层次特征图的生成，并用于后面的局部与全局特征提取；
行人全局特征的提取：利用网络的全局分支进行全局特征提取，通过提取的主特征学习全局信息的表征，作为识别的主要依据；
在本实施例中，将res_conv4x块之后的通道分成三个独立的分支，全局分支保留了resnet-50conv5x模块，并在全局分支的res_conv5_1块中使用步长为2的卷积层进行下采样，在输出的特征图上进行全局最大池化运算，并使用1×1的卷积层、批处理归一化和ReLU激活将2048维度的特征减少到256维度，此分支学习的特征是没有区域划分的全局特征，是用于身份识别的主特征；
行人局部特征的提取：利用网络的两个局部分支进行局部特征提取，通过两种细粒度提取的特征独立学习局部信息的表征，提高网络的学习能力与表达特征的能力；
在本实施例中，同时二、三支路的局部分支在res_conv4x模块之后将未采用下卷积的res_conv5_1块输出的特征图在其余分支均匀地进行张量的水平分块，二支路分三块，三支路分为四块，在每个块上独立地应用和全局分支一样的全局最大池化运算、1×1的卷积层、批处理归一化和ReLU激活操作，局部分支学习的特征是包含细粒度的局部特征，是用于身份识别的补充特征；
其中，最大池化操作保留3x3邻域内的最大特征点数值，其余特征点舍弃，达到缩小特征图提取主要特征的目的；1x1卷积不改变特征图尺寸，通过增加特征通道数完善提取的特征信息；批处理归一化减少梯度消失，加快损失函数的收敛速度；relu激活函数更好的挖掘相关特征，拟合训练数据。
全局分支通过在con5_x模块中使用步长为2的卷积进行下采样缩小特征图以达到提取主要特征的目的，同时局部分支通过张量的划分将特征进行水平切割并在各通道上进行独立处理以达到多粒度特征提取的目的。
行人的特征表示与识别：所有提取的特征通过张量连接在一起，作为行人的最终特征表示，将检索行人的特征表示与查询库中其他行人在网络中输出的特征向量进行距离计算，按距离进行排序得出最终的相似度结果，在图片库里搜索出同一个人在不同摄像头下的图片；
在本实施例中，将最终所获得的256维特征通过张量连接到一起来作为最终的行人表示，这个特征包含了全局和不同细粒度的局部信息用于最终的身份识别。
为了更大程度地开发重识别网络架构的身份辨识性能，本实施例结合了三种损失函数来进行网络的训练，其中softmax loss用来做身份分类，triplet loss用来做特征向量的学习，center loss来优化类内的差异。训练阶段的总损失函数公式如下：
Ltotal＝Lsoftmax+2Ltriplet+0.005Lcenterloss
对于基本的分类学习，将识别任务看成一个多分类问题，对于第i个学到的特征fi，其softmax loss公式如下：
其中Wk bk对应第K类的权重向量及偏置，C为训练数据集中的类的数量，N为训练过程中的单批量的大小。对于所有学习到的特征向量，在1×1卷积降维前的全局特征和降维后的局部特征上使用该损失。而对于所有降维后的全局特征，使用triplet loss和centerloss来减小同类间的距离，增大异类间的距离，triplet loss公式如下：
其中，
分别代表从批处理随机选定一张图，搜索的包含选定图目标行人的图片，搜索出的不包含选定图目标行人的图片中提取的特征，其中/>
是控制阈值大小的超参数即正负样本间的差距，设置为1.2，P、K为mini-batch中的行人个数及每个行人图片张数，本实施例使用的triplet loss为batch-hard triplet，选择在一个mini batch中最远正样本与最近负样本。由于公式的原理，寻找距离最大的相同行人图片和距离最小的不同行人图片，用训练不同行人图片的最小距离大于相同行人图片的最大距离，在批数据中减小类内距离，达到扩大类间距离的目的。
同时使用的center loss公式如下：
其中fi为第i个学到的特征，cyi为fi所对应的第yi类的特征中心，通过不断迭代的方式更新特征中心，限制特征中心与同类特征间的距离来减小类内差距。
在本实施例中，为了避免权重调整困难和收敛困难，提出结合分类度量损失的训练方法，将非简化特征视为学习分类的粗略信息，将简化特征视为具有学习度量的精细信息，与在相同水平的缩减特征上施加联合效应相比，本实施例所提出的设置实现了稳健的收敛。
在本实施例中，具体的训练过程及测试结果如下：
使用ResNet-50基于ImageNet训练的参数来初始化主干和分支网络，每一个mini-batch，随机地抽取P个行人，每个行人抽取K个图片用来训练，实验设置P＝16，K＝4，选用adam作为优化器，学习率初始化为0.01，在训练到40、60个周期后，分别降低为0.001和0.0001，总共训练了400个周期。
如图6、图7所示，图中分别表示训练的总损失函数变化曲线和训练阶段的同步测试结果曲线，该模型的最终测试结果平均精度0.9320，排序第一为相同类别的命中率即搜索排序中最近距离结果的前1项为目标行人图片的概率为0.9504，前三命中率即搜索排序中最近距离结果的前3项包含目标行人的概率为0.9682，前五命中率0.9745，前十命中率0.9804，达到较优的效果。
本实施例行人图片的重识别网络是一个多分支深度神经网络，包含一个全局支线和两个局部支线。其中，全局支线对行人图片整体做特征提取，提取行人区别的主要特征，其余两条支线根据对图片水平划分的细粒度不同，在不同层次上提取局部区域，作为对主特征的判别补充。最后所有提取的特征连接在一起，作为行人图像的最终特征表示，用于身份识别。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于全局和局部细粒度特征的行人重识别方法，其特征在于，包括下述步骤：
获取行人图像，进行所述行人图像的数据预处理；
特征图像提取：采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图；
构建行人重识别网络的全局分支、第一局部分支和第二局部分支；
训练行人重识别网络；
所述训练行人重识别网络，在训练过程中的总损失函数设置为：
Ltotal＝Lsoftmax+2Ltriplet+0.005Lcenterloss；
其中，
其中，Wk、bk分别表示第K类的权重向量及偏置，C表示训练数据集中的类的数量，N表示训练过程中的单批量的大小，
分别表示从批处理随机选定一张图、搜索的包含选定图目标行人的图片、搜索出的不包含选定图目标行人的图片中提取的特征，/>
表示控制阈值大小的超参数，P、K表示mini-batch中的行人个数及每个行人图片张数，fi表示第i个学到的特征，cyi表示fi所对应的第yi类的特征中心；
采用行人重识别网络的全局分支进行全局特征提取，得到全局特征；
采用行人重识别网络的第一局部分支和第二局部分支进行局部特征提取，得到局部特征；
将所述全局特征和局部特征通过张量连接，作为行人的最终特征表示，将检索行人的特征表示与查询库中其他行人在网络中输出的特征向量进行距离计算，按距离进行排序得出最终的相似度结果。
2.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述进行所述行人图像的数据预处理，所述数据预处理包括数据归一化、数据增广和随机擦除；
所述数据归一化具体步骤为：对行人图像进行归一化统一尺寸；
所述数据增广具体步骤为：对输入的行人图像进行水平翻转，增加图像数据数量；
所述随机擦除具体步骤为：对每张输入的行人图像随机选择图像中的矩形区域并删除对应像素。
3.根据权利要求2所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述矩形区域采用预设区域内的随机数乘以图像的统一尺寸生成。
4.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述采用残差网络建立图像特征提取通道，生成行人图像的高阶特征图，具体步骤包括：
采用残差网络的conv1、conv2_x、conv3_x和conv4_x建立图像特征提取通道，分别经过conv_1的7x7卷积块进行第一次高层特征提取，经过conv2_x最大池化与3x3卷积块进行第二次高层特征提取，经过conv3_x和conv4_x的3x3卷积块后生成行人图像的高阶特征图。
5.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述采用行人重识别网络的全局分支进行全局特征提取，得到全局特征，具体步骤包括：
所述全局分支设有残差网络的conv5x，所述全局分支在res_conv5_1中采用步长为2的卷积层进行下采样，在输出的特征图上进行全局最大池化运算，并采用1×1卷积、批处理归一化和ReLU激活处理，将高维度特征改变为低维度特征。
6.根据权利要求1所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，采用行人重识别网络的第一局部分支和第二局部分支进行局部特征提取，得到局部特征，具体步骤包括：
所述第一局部分支和第二局部分支通过未采用下卷积的conv5_1保留局部特征细节，通过张量的划分将特征进行水平切割，在各通道上进行独立处理，得到局部特征。
7.根据权利要求6所述的基于全局和局部细粒度特征的行人重识别方法，其特征在于，所述在各通道上进行独立处理，具体步骤包括：全局最大池化运算、1×1卷积、批处理归一化和ReLU激活处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174095.4A CN111460914B (zh) | 2020-03-13 | 2020-03-13 | 一种基于全局和局部细粒度特征的行人重识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174095.4A CN111460914B (zh) | 2020-03-13 | 2020-03-13 | 一种基于全局和局部细粒度特征的行人重识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460914A CN111460914A (zh) | 2020-07-28 |
| CN111460914B true CN111460914B (zh) | 2023-06-20 |
Family
ID=71680781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010174095.4A Active CN111460914B (zh) | 2020-03-13 | 2020-03-13 | 一种基于全局和局部细粒度特征的行人重识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460914B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680705B (zh) * | 2020-08-13 | 2021-02-26 | 南京信息工程大学 | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 |
| CN112464775A (zh) * | 2020-11-21 | 2021-03-09 | 西北工业大学 | 一种基于多分支网络的视频目标重识别方法 |
| CN114612927B (zh) * | 2020-12-09 | 2023-05-09 | 四川大学 | 一种基于图像文本双通道联合的行人重识别方法 |
| CN112966137B (zh) * | 2021-01-27 | 2022-05-31 | 中国电子进出口有限公司 | 基于全局与局部特征重排的图像检索方法与系统 |
| CN112818931A (zh) * | 2021-02-26 | 2021-05-18 | 中国矿业大学 | 基于多粒度深度特征融合的多尺度行人重识别方法 |
| CN112801235A (zh) * | 2021-04-12 | 2021-05-14 | 四川大学 | 模型训练方法、预测方法、装置、重识别模型及电子设备 |
| CN113408492B (zh) * | 2021-07-23 | 2022-06-14 | 四川大学 | 一种基于全局-局部特征动态对齐的行人重识别方法 |
| CN115131727B (zh) * | 2022-06-12 | 2024-03-15 | 西北工业大学 | 一种基于残差单元结构搜索的行人重识别方法 |
| CN115858846B (zh) * | 2023-02-16 | 2023-04-21 | 云南派动科技有限公司 | 一种基于深度学习的滑雪者图像检索方法和系统 |
| CN116503914B (zh) * | 2023-06-27 | 2023-09-01 | 华东交通大学 | 行人重识别方法、系统、可读存储介质及计算机设备 |
| CN116644788B (zh) * | 2023-07-27 | 2023-10-03 | 山东交通学院 | 一种用于车辆重识别的局部细化和全局强化网络 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764065A (zh) * | 2018-05-04 | 2018-11-06 | 华中科技大学 | 一种行人重识别特征融合辅助学习的方法 |
| CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
| CN110728263A (zh) * | 2019-10-24 | 2020-01-24 | 中国石油大学(华东) | 一种基于距离选择的强判别特征学习的行人重识别方法 |
| CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
-
2020
- 2020-03-13 CN CN202010174095.4A patent/CN111460914B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764065A (zh) * | 2018-05-04 | 2018-11-06 | 华中科技大学 | 一种行人重识别特征融合辅助学习的方法 |
| CN109784258A (zh) * | 2019-01-08 | 2019-05-21 | 华南理工大学 | 一种基于多尺度特征切割与融合的行人重识别方法 |
| CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
| CN110728263A (zh) * | 2019-10-24 | 2020-01-24 | 中国石油大学(华东) | 一种基于距离选择的强判别特征学习的行人重识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| Wenjing You et al..Soldered Dots Detection of Automobile Door Panels based on Faster R-CNN Model.《2019 Chinese Control And Decision Conference (CCDC)》.2019,第1-2页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460914A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460914B (zh) | 一种基于全局和局部细粒度特征的行人重识别方法 | |
| CN110110624B (zh) | 一种基于DenseNet网络与帧差法特征输入的人体行为识别方法 | |
| CN109614979B (zh) | 一种基于选择与生成的数据增广方法及图像分类方法 | |
| Zhao et al. | A faster RCNN-based pedestrian detection system | |
| CN111709311B (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
| CN111738143B (zh) | 一种基于期望最大化的行人重识别方法 | |
| CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
| CN111639692A (zh) | 一种基于注意力机制的阴影检测方法 | |
| CN112163498B (zh) | 前景引导和纹理聚焦的行人重识别模型建立方法及其应用 | |
| CN109472191B (zh) | 一种基于时空上下文的行人重识别与追踪方法 | |
| CN109598268A (zh) | 一种基于单流深度网络的rgb-d显著目标检测方法 | |
| CN111460980B (zh) | 基于多语义特征融合的小目标行人的多尺度检测方法 | |
| CN111046821B (zh) | 一种视频行为识别方法、系统及电子设备 | |
| CN110852152B (zh) | 一种基于数据增强的深度哈希行人重识别方法 | |
| CN111709331B (zh) | 一种基于多粒度信息交互模型的行人重识别方法 | |
| CN111401144A (zh) | 一种基于视频监控的手扶电梯乘客行为识别方法 | |
| CN112434599A (zh) | 一种基于噪声通道的随机遮挡恢复的行人重识别方法 | |
| CN112785626A (zh) | 一种基于多尺度特征融合的孪生网络小目标跟踪方法 | |
| Yu et al. | Pedestrian detection based on improved Faster RCNN algorithm | |
| CN113591545B (zh) | 一种基于深度学习的多级特征提取网络行人再识别方法 | |
| Sun et al. | Deep learning based pedestrian detection | |
| Yang et al. | Real-time pedestrian detection for autonomous driving | |
| CN116824330A (zh) | 一种基于深度学习的小样本跨域目标检测方法 | |
| CN114821632A (zh) | 一种遮挡行人重识别方法 | |
| Ştefan et al. | Deep learning-based person search with visual attention embedding |
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 |