CN111639561A - 基于类别自适应聚类的无监督行人重识别方法 - Google Patents
基于类别自适应聚类的无监督行人重识别方法 Download PDFInfo
- Publication number
- CN111639561A CN111639561A CN202010416728.8A CN202010416728A CN111639561A CN 111639561 A CN111639561 A CN 111639561A CN 202010416728 A CN202010416728 A CN 202010416728A CN 111639561 A CN111639561 A CN 111639561A
- Authority
- CN
- China
- Prior art keywords
- image
- pedestrian
- cluster
- clustering
- training
- 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.)
- Pending
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
- G06F18/21—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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于类别自适应聚类的无监督行人重识别方法。首先,为无标签数据集预分配初始化标签,利用CNN模型提取行人图像的高维特征;然后,对特征集合进行阶段性类别自适应聚类,更新图像标签并计算该阶段聚类结果的平均轮廓系数,并交替更新特征提取CNN模型和类别自适应聚类模型,直至平均轮廓系数出现拐点;最后,利用训练得到的拐点处CNN模型提取测试行人图像特征,通过计算特征距离得到无监督行人重识别结果。本发明可以解决无标记数据集行人重识别任务中个体数目无法确定的问题,能够动态地适应不同规模数据集,具有较高的算法效率和精度。
Description
技术领域
本发明属计算机视觉、行人重识别技术领域,具体涉及一种基于类别自适应聚类的无监督行人重识别方法。
背景技术
随着城市人口的不断增长,社会公共安全问题越来越受到人们的重视,当前在许多公共场所都覆盖有大规模的网络摄像头,是监控安防的重要保障。为了提升网络摄像头的安防智能水平,行人重识别技术是如今视觉分析领域的研究热点,得到了学术界的广泛重视。行人重识别旨在非重叠视角域多摄像头网络下进行的行人匹配,即确认不同位置的摄像头在不同的时刻拍摄到的行人目标是否为同一人。
行人重识别问题可以转化为计算样本的相似度(或者距离),然后根据相似度(或者距离)对样本进行排序,进而找到与查询样本属于同一个人的图像。然而,行人重识别的研究面临着诸如图像分辨率低、视角变化、姿态变化、光线变化以及遮挡等带来的诸多挑战。当前行人重识别方法主要通过基于特定场景下大量带标签的视频图像数据训练一个稳定可靠的模型,这类监督学习方法忽略了在实际应用中模型对新场景的适应性,并且需要大量的手工标注数据,而手工标注工作是昂贵的,不适用于大规模的真实世界的数据集。因此发展无监督行人重识别技术具有重要应用价值。Fan等人提出采用k-means聚类和CNN模型迭代训练预测无标签行人图像的伪标签并学习判别性特征。对于复杂的行人图像,原始的特征空间具有高度的非线性和不可分性,聚类效果不太理想。Zheng等人提出一种渐进式无监督学习的方法,先在有标签的数据集上初始化CNN模型,然后在行人特征聚类和CNN模型微调之间迭代优化。此方法需要额外利用源数据集中的标签来改善网络性能。目前单纯的无监督行人重识别方法由于没有标签来为模型提供必要的信息导致其准确度低,对行人图像的判别性特征学习困难,相关技术亟需突破。
发明内容
为了克服现有技术的不足,本发明提供一种基于类别自适应聚类的无监督行人重识别方法,旨在解决现有无监督行人重识别方法难以从行人图像中提取判别性特征和识别准确率低的问题。
一种基于类别自适应聚类的无监督行人重识别方法,其特征在于步骤如下:
步骤1:将待处理行人图像集合划分为训练集和测试集;
步骤2:为训练集中所有图像预分配初始标签;
步骤3:将训练集中所有图像输入CNN模型,提取得到数据集的行人特征;
步骤4:将log对数损失作为目标优化函数训练CNN模型至模型收敛;
步骤5:对步骤2得到的特征空间中的特征集合进行类别自适应聚类,将相似的图像分到同一簇中,重新分配图像的标签;
步骤6:计算本阶段类别自适应聚类的平均轮廓系数;
步骤7:将执行一次步骤3-6的计算记为一个阶段,按照ds=Sk-Sk-l计算当前第k个训练阶段与第k-l个训练阶段的差值,l为预设步长,取值范围为[1,3];设定差值变化阈值ds0,取值范围为[-100,100],如果ds≥ds0,返回步骤3并重复步骤3-6,进入下一阶段训练网络和类别自适应聚类过程;如果ds<ds0,则停止训练,根据此时得到的阶段聚类结果,以各阶段聚类簇数为横坐标,平均轮廓系数为纵坐标,画出评估系数曲线图,曲线图拐点处所对应的聚类簇数即为最佳聚类簇数,此时得到的模型为该数据集上最佳CNN模型;所述的训练阶段序号k的初始值为1,进入下一阶段时,k值加1;
步骤8:将测试集图像输入步骤7所得的最佳CNN模型提取图像的行人特征,通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人重识别结果。
进一步地,步骤2的具体过程如下:为训练集中的每一幅图像预分配一个无行人身份信息的初始标签,设训练集为X={x1,x2,…,xN},xi表示第i幅图像,初始标签集合为 表示图像xi的初始标签,i=1,2,......N。
进一步地,步骤3的具体过程如下:将分配了初始标签的训练集所有图像输入到选定的CNN模型,对于第i幅图像xi提取得到行人特征φi(xi),形成一个特征空间V(φ1,φ2,φ3,…,φN)T;所述的选定的CNN模型为ImageNet预训练的ResNet50模型,删除其最后一层分类层,并增加一个全连接层,输出维度为当前阶段训练集中的簇数目。
进一步地,步骤4的具体过程如下:
设定模型的目标函数为log对数损失函数,计算公式如下:
其中,Vj表示第j个簇的聚类中心,其取值为第j个簇中所有行人特征的均值,表示第个簇的聚类中心,Ck表示当前第k阶段的簇数目,C1=N,α∈(0,1)为平衡各个类别概率分布的参数,υ表示将特征归一化,按照计算得到;
通过最小化目标函数对CNN模型进行训练,直至收敛。
进一步地,步骤5的具体过程如下:
按照下式计算得到两个簇之间的相似度D:
D(A,B)=Ddistance(A,B)+λDdiversity(A,B) (3)
其中,D(A,B)表示簇A和簇B之间的相似度,Ddistance(A,B)表示簇A和簇B之间的距离,按照计算得到,d(xa,xb)表示图像xa和图像xb的行人特征之间的欧式距离,按照d(xa,xb)=||υa-υb||计算得到;Ddiversity(A,B)表示簇A和簇B所包含的图像数量之和;λ∈(0,1)为平衡簇间距离和簇内图像数量的参数;
以合并后簇中图像标签中数值最小的标签为合并后簇中所有图像的新标签。
进一步地,步骤6的具体过程如下:
首先,按照下式计算得到每幅图像的轮廓系数:
其中,s(i)表示第i幅图像xi的轮廓系数,a(i)表示图像xi所在簇的内聚度,取值为图像xi与同簇内的其他图像之间的平均距离,b(i)表示图像xi与最近簇的分离度,取值为图像xi与最近簇中所有图像之间的平均距离,所述的最近簇是指簇中所有图像与图像xi的平均距离最小的那个簇,i=1,2,......N;
然后,计算当前训练阶段所有图像的轮廓系数的平均值作为当前训练阶段的平均轮廓系数Sk。
本发明的有益效果是:
(1)由于采用类别自适应逐阶段聚类方式在无标签的数据集上实现行人重识别任务,能够利用图像的相似性逐步提高模型对无标签数据的行人判别性特征的学习能力,并使模型动态地适应不同规模数据集,显著提高重识别精度;
(2)由于采用log对数损失函数来优化网络模型,能够不利用任何标签实现无监督的行人重识别;
(3)由于引入平均轮廓系数作为评估系数来衡量聚类质量,能够有效降低模型迭代周期,缩短训练时间,提高算法整体运行效率;
(4)由于采用对特征提取CNN模型和自适应聚类模型交替更新的方式进行训练,可以有效解决无标记数据集行人重识别任务中个体数目无法确定的难题,使得模型更好地适应不同的无标签数据集,针对不同的数据集,网络都可以学习一个适合该数据集的特征表达,找到该数据集适应的训练终点,有效提高了行人重识别的准确率。
附图说明
图1是本发明的基于类别自适应聚类的无监督行人重识别方法流程图;
图2是本发明的网络模型结构图;
图3是本发明的迭代训练流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1所示,本发明提供了一种基于类别自适应聚类的无监督行人重识别方法,其具体实现过程如下:
1、数据集处理及预分配标签
将待处理图像集划分为训练集和测试集。其中,训练集是学习CNN网络参数的输入,测试集用于最终CNN网络性能的测试评价。
以图像序号为初始标签,为训练集中每张图像预分配一个无行人身份信息的初始标签,设训练集为X={x1,x2,…,xN},xi表示第i幅图像,初始标签集合为 表示图像xi的初始标签,i=1,2,......N。
2、特征提取
将分配了初始标签的训练集中所有图像输入到选定的CNN模型,如图2所示。对于第i幅图像xi提取得到行人特征φi(xi),形成一个特征空间V(φ1,φ2,φ3,...,φN)T;所述的选定的CNN模型为ImageNet预训练的ResNet50模型,删除其最后一层分类层,并增加一个全连接层,输出维度为当前阶段训练集中的簇数目。
3、log对数损失训练网络
设定模型的目标函数为log对数损失函数,计算公式如下:
其中,Vj表示第j个簇的聚类中心,其取值为第j个簇中所有行人特征的均值,表示第个簇的聚类中心,Ck表示当前第k阶段的簇数目,C1=N,α∈(0,1)为平衡各个类别概率分布的参数,υ表示将特征归一化,按照计算得到;
通过最小化目标函数对CNN模型进行训练,直至收敛。
4、类别自适应聚类
对步骤2中的得到的特征空间中的特征集合使用类别自适应聚类,将相似的图像分到同一个簇中,过程如下:
按照下式计算得到两个簇之间的相似度D:
D(A,B)=Ddistance(A,B)+λDdiversity(A,B) (7)
其中,D(A,B)表示簇A和簇B之间的相似度,Ddistance(A,B)表示簇A和簇B之间的距离,按照计算得到,d(xa,xb)表示图像xa和图像xb的行人特征之间的欧式距离,按照d(xa,xb)=||υa-υb||计算得到;Ddiversity(A,B)表示簇A和簇B所包含的图像数量之和;λ∈(0,1)为平衡簇间距离和簇内图像数量的参数;
以合并后簇中图像标签中数值最小的标签为合并后簇中所有图像的新标签。
5、计算评估系数
将平均轮廓系数作为评价聚类质量的评估系数,按照下式计算得到每幅图像的轮廓系数:
其中,s(i)表示第i幅图像xi的轮廓系数,a(i)表示图像xi所在簇的内聚度,取值为图像xi与同簇内的其他图像之间的平均距离,b(i)表示图像xi与最近簇的分离度,取值为图像xi与最近簇中所有图像之间的平均距离,所述的最近簇是指簇中所有图像与图像xi的平均距离最小的那个簇,i=1,2,......N;
然后,计算当前训练阶段所有图像的轮廓系数的平均值作为当前训练阶段的平均轮廓系数Sk。
6、迭代训练
迭代训练过程如图3所示,其中以不同形状的符号(五角星、三角形、圆圈)表示不同类型数据。在本发明中,将执行一次步骤3-6的计算记为一个阶段,按照ds=Sk-Sk-l计算当前第k个训练阶段与第k-l个训练阶段的差值,l为预设步长,取值范围为[1,3];设定差值变化阈值ds0,取值范围为[-100,100],如果ds≥ds0,返回步骤3并重复步骤3-6,进入下一阶段训练网络和类别自适应聚类过程;如果ds<ds0,则停止训练,根据此时得到的阶段聚类结果,以各阶段聚类簇数为横坐标,平均轮廓系数为纵坐标,画出评估系数曲线图,曲线的拐点处所对应的聚类簇数即为最佳聚类簇数,此时得到的模型为该数据集上最佳CNN模型;所述的训练阶段序号k的初始值为1,进入下一阶段时,k值加1。
7、测试集行人检索
将测试集图像输入步骤6所得的最佳CNN模型提取图像的行人特征,通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人重识别结果,比如欧式距离,测试行人图像与图库中行人图像的特征之间的欧氏距离越小,就说明测试行人图像与图库中行人图像之间的相似度越高,进而就可以得到无监督行人重识别结果。
综上所述,本发明公开了一种基于类别自适应聚类的无监督行人重识别方法,该方法通过一种类别自适应的聚类方式在无标签的数据集上实现行人重识别任务,利用图像的相似性逐步提高模型对无标签数据的行人判别性特征的学习能力,并使模型动态地适应不同规模数据集,显著提高重识别精度。该方法通过引入平均轮廓系数作为评估系数来确定模型训练终点,不仅能够更直观地展示聚类质量,而且有效地降低了模型迭代周期,缩短了训练时间,提高算法整体运行效率。由于采用对特征提取CNN模型和自适应聚类模型交替更新的方式进行训练,可以有效解决无标记数据集行人重识别任务中个体数目无法确定的难题,使得模型更好地适应不同的无标签数据集,针对不同的数据集,网络都可以学习一个适合该数据集的特征表达,有效提高了行人重识别的准确率。
Claims (6)
1.一种基于类别自适应聚类的无监督行人重识别方法,其特征在于步骤如下:
步骤1:将待处理行人图像集合划分为训练集和测试集;
步骤2:为训练集中所有图像预分配初始标签;
步骤3:将训练集中所有图像输入CNN模型,提取得到数据集的行人特征;
步骤4:将log对数损失作为目标优化函数训练CNN模型至模型收敛;
步骤5:对步骤2得到的特征空间中的特征集合进行类别自适应聚类,将相似的图像分到同一簇中,重新分配图像的标签;
步骤6:计算本阶段类别自适应聚类的平均轮廓系数;
步骤7:将执行一次步骤3-6的计算记为一个阶段,按照ds=Sk-Sk-l计算当前第k个训练阶段与第k-l个训练阶段的差值,l为预设步长,取值范围为[1,3];设定差值变化阈值ds0,取值范围为[-100,100],如果ds≥ds0,返回步骤3并重复步骤3-6,进入下一阶段训练网络和类别自适应聚类过程;如果ds<ds0,则停止训练,根据此时得到的阶段聚类结果,以各阶段聚类簇数为横坐标,平均轮廓系数为纵坐标,画出评估系数曲线图,曲线图拐点处所对应的聚类簇数即为最佳聚类簇数,此时得到的模型为该数据集上最佳CNN模型;所述的训练阶段序号k的初始值为1,进入下一阶段时,k值加1;
步骤8:将测试集图像输入步骤7所得的最佳CNN模型提取图像的行人特征,通过计算所述测试行人图像的特征与图库中行人图像的特征之间的距离即可得到无监督行人重识别结果。
3.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法,其特征在于步骤3的具体过程如下:将分配了初始标签的训练集所有图像输入到选定的CNN模型,对于第i幅图像xi提取得到行人特征φi(xi),形成一个特征空间V(φ1,φ2,φ3,...,φN)T;所述的选定的CNN模型为ImageNet预训练的ResNet50模型,删除其最后一层分类层,并增加一个全连接层,输出维度为当前阶段训练集中的簇数目。
5.如权利要求1所述的一种基于类别自适应聚类的无监督行人重识别方法,其特征在于步骤5的具体过程如下:
按照下式计算得到两个簇之间的相似度D:
D(A,B)=Ddistance(A,B)+λDdiversity(A,B) (3)
其中,D(A,B)表示簇A和簇B之间的相似度,Ddistance(A,B)表示簇A和簇B之间的距离,按照计算得到,d(xa,xb)表示图像xa和图像xb的行人特征之间的欧式距离,按照d(xa,xb)=||υa-υb||计算得到;Ddiversity(A,B)表示簇A和簇B所包含的图像数量之和;λ∈(0,1)为平衡簇间距离和簇内图像数量的参数;
以合并后簇中图像标签中数值最小的标签为合并后簇中所有图像的新标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416728.8A CN111639561A (zh) | 2020-05-17 | 2020-05-17 | 基于类别自适应聚类的无监督行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416728.8A CN111639561A (zh) | 2020-05-17 | 2020-05-17 | 基于类别自适应聚类的无监督行人重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639561A true CN111639561A (zh) | 2020-09-08 |
Family
ID=72332765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010416728.8A Pending CN111639561A (zh) | 2020-05-17 | 2020-05-17 | 基于类别自适应聚类的无监督行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639561A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232410A (zh) * | 2020-10-15 | 2021-01-15 | 浙江凌图科技有限公司 | 一种面向多区域大规模特征的匹配方法 |
CN112232439A (zh) * | 2020-11-06 | 2021-01-15 | 四川云从天府人工智能科技有限公司 | 非监督ReID中的伪标签更新方法及系统 |
CN112381154A (zh) * | 2020-11-17 | 2021-02-19 | 深圳壹账通智能科技有限公司 | 预测用户概率的方法、装置和计算机设备 |
CN112541453A (zh) * | 2020-12-18 | 2021-03-23 | 广州丰石科技有限公司 | 一种行李重识别模型训练及行李重识别方法 |
CN112597871A (zh) * | 2020-12-18 | 2021-04-02 | 中山大学 | 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质 |
CN112784674A (zh) * | 2020-11-13 | 2021-05-11 | 北京航空航天大学 | 一种基于类中心自适应的重点人员搜索系统跨域识别方法 |
CN112884050A (zh) * | 2021-02-26 | 2021-06-01 | 江南大学 | 一种基于无监督主动学习的品质检测方法 |
CN112926403A (zh) * | 2021-01-30 | 2021-06-08 | 上海工程技术大学 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
CN107679491A (zh) * | 2017-09-29 | 2018-02-09 | 华中师范大学 | 一种融合多模态数据的3d卷积神经网络手语识别方法 |
CN108960331A (zh) * | 2018-07-10 | 2018-12-07 | 重庆邮电大学 | 一种基于行人图像特征聚类的行人再识别方法 |
CN109299707A (zh) * | 2018-10-30 | 2019-02-01 | 天津师范大学 | 一种基于模糊深度聚类的无监督行人再识别方法 |
CN109522936A (zh) * | 2018-10-23 | 2019-03-26 | 北京邮电大学 | 一种基于聚类的分层最近邻欠采样方法 |
CN109635708A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 |
CN109886164A (zh) * | 2019-01-30 | 2019-06-14 | 济南大学 | 一种异常手势的识别与处理方法 |
CN110135295A (zh) * | 2019-04-29 | 2019-08-16 | 华南理工大学 | 一种基于迁移学习的无监督行人重识别方法 |
-
2020
- 2020-05-17 CN CN202010416728.8A patent/CN111639561A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463751A (zh) * | 2017-08-10 | 2017-12-12 | 山东师范大学 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
CN107679491A (zh) * | 2017-09-29 | 2018-02-09 | 华中师范大学 | 一种融合多模态数据的3d卷积神经网络手语识别方法 |
CN108960331A (zh) * | 2018-07-10 | 2018-12-07 | 重庆邮电大学 | 一种基于行人图像特征聚类的行人再识别方法 |
CN109522936A (zh) * | 2018-10-23 | 2019-03-26 | 北京邮电大学 | 一种基于聚类的分层最近邻欠采样方法 |
CN109299707A (zh) * | 2018-10-30 | 2019-02-01 | 天津师范大学 | 一种基于模糊深度聚类的无监督行人再识别方法 |
CN109635708A (zh) * | 2018-12-06 | 2019-04-16 | 中山大学 | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 |
CN109886164A (zh) * | 2019-01-30 | 2019-06-14 | 济南大学 | 一种异常手势的识别与处理方法 |
CN110135295A (zh) * | 2019-04-29 | 2019-08-16 | 华南理工大学 | 一种基于迁移学习的无监督行人重识别方法 |
Non-Patent Citations (3)
Title |
---|
JEAN-PAUL AINAM 等: "Sparse Label Smoothing for Semi-supervised Person Re-Identfication", 《ARXIV:1809.04976V1》 * |
YUTIANLIN等: "A Bottom-Up Clustering Approach to Unsupervised Person Re-Identfication", 《THE THIRTY-THIRD AAAI CONFERENCE ON ARTFICIAL INTELLIGENCE (AAAI-19)》 * |
何美惠: "基于运营商日志数据的用户行为分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232410A (zh) * | 2020-10-15 | 2021-01-15 | 浙江凌图科技有限公司 | 一种面向多区域大规模特征的匹配方法 |
CN112232410B (zh) * | 2020-10-15 | 2023-08-29 | 苏州凌图科技有限公司 | 一种面向多区域大规模特征的匹配方法 |
CN112232439A (zh) * | 2020-11-06 | 2021-01-15 | 四川云从天府人工智能科技有限公司 | 非监督ReID中的伪标签更新方法及系统 |
CN112232439B (zh) * | 2020-11-06 | 2024-04-05 | 四川云从天府人工智能科技有限公司 | 非监督ReID中的伪标签更新方法及系统 |
CN112784674A (zh) * | 2020-11-13 | 2021-05-11 | 北京航空航天大学 | 一种基于类中心自适应的重点人员搜索系统跨域识别方法 |
CN112381154A (zh) * | 2020-11-17 | 2021-02-19 | 深圳壹账通智能科技有限公司 | 预测用户概率的方法、装置和计算机设备 |
CN112541453A (zh) * | 2020-12-18 | 2021-03-23 | 广州丰石科技有限公司 | 一种行李重识别模型训练及行李重识别方法 |
CN112597871A (zh) * | 2020-12-18 | 2021-04-02 | 中山大学 | 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质 |
CN112597871B (zh) * | 2020-12-18 | 2023-07-18 | 中山大学 | 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质 |
CN112926403A (zh) * | 2021-01-30 | 2021-06-08 | 上海工程技术大学 | 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 |
CN112884050A (zh) * | 2021-02-26 | 2021-06-01 | 江南大学 | 一种基于无监督主动学习的品质检测方法 |
CN112884050B (zh) * | 2021-02-26 | 2024-04-12 | 江南大学 | 一种基于无监督主动学习的品质检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639561A (zh) | 基于类别自适应聚类的无监督行人重识别方法 | |
CN109961051B (zh) | 一种基于聚类和分块特征提取的行人重识别方法 | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN111814584A (zh) | 基于多中心度量损失的多视角环境下车辆重识别方法 | |
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 | |
CN110097060B (zh) | 一种面向树干图像的开集识别方法 | |
CN107169117B (zh) | 一种基于自动编码器和dtw的手绘图人体运动检索方法 | |
CN109635708B (zh) | 一种基于三数据集交叉迁移学习的无监督行人再识别方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN110852152B (zh) | 一种基于数据增强的深度哈希行人重识别方法 | |
CN110728694B (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN111079514A (zh) | 一种基于clbp和卷积神经网络的人脸识别方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN114926725A (zh) | 一种基于图像分析的线上金融团伙欺诈识别方法 | |
CN111611909A (zh) | 多子空间域自适应人脸识别方法 | |
CN110874576A (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
CN116910571B (zh) | 一种基于原型对比学习的开集域适应方法及系统 | |
CN113065516A (zh) | 一种基于样本分离的无监督行人重识别系统及方法 | |
CN117478390A (zh) | 一种基于改进密度峰值聚类算法的网络入侵检测方法 | |
CN109784244B (zh) | 一种指定目标的低分辨率人脸精确识别方法 | |
CN116229512A (zh) | 基于跨摄像头自蒸馏的行人重识别模型建立方法及其应用 | |
CN114581769A (zh) | 一种基于无监督聚类的在建房屋识别方法 | |
CN111695526B (zh) | 网络模型生成方法、行人重识别方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200908 |
|
WD01 | Invention patent application deemed withdrawn after publication |