CN111652293B - 一种多任务联合判别学习的车辆重识别方法 - Google Patents
一种多任务联合判别学习的车辆重识别方法 Download PDFInfo
- Publication number
- CN111652293B CN111652293B CN202010432575.6A CN202010432575A CN111652293B CN 111652293 B CN111652293 B CN 111652293B CN 202010432575 A CN202010432575 A CN 202010432575A CN 111652293 B CN111652293 B CN 111652293B
- Authority
- CN
- China
- Prior art keywords
- learning
- vehicle
- loss function
- task
- loss
- 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
- 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种多任务联合判别学习的车辆重识别方法。方法通过多分支的网络联合学习多个任务,来获取车辆的细粒度判别性特征。网络通过属性学习和ID学习两个分支获取网络输出特征向量,同时再用一个度量学习和ID学习任务来约束该特征向量,通过这四个任务联合学习来获取更加鲁棒的特征。其中ID学习使用了不同于其他方法的ArcFL损失函数,度量学习使用了不同于其他方法的Trihard损失函数。通过创新性网络结构的提出和损失函数的改进,使车辆重识别和检索的精度得到显著提升。本发明基于道路监控场景的大型车辆数据集实现,可以有效地应用于车辆查找任务。
Description
技术领域
本发明属于图像处理、计算机视觉及模式识别领域,具体涉及一种多任务联合判别学习的车辆重识别方法。
背景技术
近年来,车辆作为城市交通场景中的重要对象,在计算机视觉研究领域吸引了大量关注。车辆重识别技术是智能交通系统的重要研究内容,在智能管理、安全维护方面,面对自动收费、搜寻特定车辆等场景,均需要完成车辆重识别任务。常见的车辆重识别方法通常是基于度量学习的方法和将车型学习和度量学习联合学习的方法。基于度量学习的方法比如Zhang等人提出的方法(参考Zhang的方法:Zhang Y,Liu D,Zha Z,et al.Improvingtriplet-wise training of convolutional neural network for vehicle re-identification[C].international conference on multimedia and expo,2017:1386-1391.),使用三元组损失来进行度量学习,由于使用三元组损失选择样本时存在随机性,容易选取到大量简单训练样本,导致模型训练不稳定;基于车型学习和度量学习联合学习的方法,比如DRDL(参考Liu H,Tian Y,Wang Y,et al.Deep Relative Distance Learning:Tell the Difference between Similar Vehicles[C].computer vision and patternrecognition,2016:2167-2175.),利用网络的一个分支提取车辆的车型特征,另一个分支通过使用CCL(Coupled Clusters Loss)损失函数构造正负样本集来做度量学习,再将两个分支所学到的特征整合为最终的特征,有效的提高了模型提取特征的质量与稳定性。但是该方法的网络结构简单,不能充分学习到车辆的细粒度特征,车辆重识别精度不够高。
发明内容
为了解决上述现有技术存在的问题,本发明的目的在于提供一种具有更高精度的基于深度学习的车辆重识别方法。
为了达到上述目的,本发明采用如下的技术方案:
一种多任务联合判别学习的车辆重识别方法,包括如下步骤:
步骤1:获取待检索的车辆图片以及车辆图像数据集,将车辆图像数据集划分为训练集和测试集;
步骤2:首先共享卷积神经网络的卷积层,然后将全连接层分为两个分支,一个分支采用交叉熵损失函数进行基础属性的分类学习,获得特征向量及属性分类任务损失;另一个分支采用ArcFL损失函数进行ID分类学习,获得特征向量及ID分类损失;
步骤3:将两个分支的特征向量融合,得到网络的输出特征向量,在网络的输出特征向量上,添加度量学习约束,采用困难样本采样三元组损失Trihard损失函数,完成度量学习任务;
步骤4:在两个分支的融合特征向量上,添加ID学习约束,采用ArcFL损失函数完成ID学习任务;
步骤5:将步骤2产生的属性分类任务损失与ID分类损失和步骤3中度量学习任务与步骤4中ID学习任务产生的损失相加,得到多任务的损失函数;通过多任务损失函数在训练集上训练卷积神经网络,同时优化基础属性的分类学习、度量学习与ID分类学习,直到前向传播的损失函数值趋于收敛时,停止训练,得到深度学习模型;
步骤6:采用深度学习模型提取待检索的车辆图片以及测试集的图片特征,然后通过待检索的车辆图片以及测试集的图片特征之间的余弦距离判断图片的相似性,最后按照相似性排名输出车辆重识别结果。
本发明进一步的改进在于,基础属性的分类学习包括车型和颜色属性的学习。
本发明进一步的改进在于,步骤2中与步骤4中的ArcFL损失函数公式如下:
其中表示通过增加了角度裕度后的概率向量,s表示固定归一化后的特征||xi||,θyi表示权重向量第yi列与特征向量xi之间的角度,yi表示第i个样本所对应的类别,j表示权重向量对应的列标,θj表示权重向量Wj和特征向量xi之间的角度,m表示附加的角度裕度,为权重参数,γ为调制系数;
本发明进一步的改进在于,m=0.5,参数γ=2。
本发明进一步的改进在于,步骤3中,困难样本采样三元组损失Trihard损失函数中三元组通过以下过程确定:从每一个batch中随机挑选P个ID的车辆,每个ID随机挑选K张图片,即一个batch含有P×K张图片;对于batch中的每一张图片a,根据特征映射的距离挑选一个和a距离最远的正样本,以及一个和a距离最近的负样本一起组成一个三元组;
困难样本采样三元组损失Trihard损失函数定义如下:
其中,a表示batch中的每一张锚定图片,p表示正样本,n表示负样本,A表示这个batch中a的正样本集,B表示batch中a的负样本集,α为最远的正样本对的距离和最近的负样本对的距离之间的距离阈值,P表示车辆ID的数量,K表示每个ID对应的不同图片的数量,da,p表示图片a与三元组中正样本的距离,da,n表示图片a与三元组中负样本的距离,(z)+表示max(z,0)。
本发明进一步的改进在于,步骤5中,训练卷积神经网络时采用反向传播算法和随机梯度下降方法,不断更新迭代。
本发明进一步的改进在于,步骤5中,训练卷积神经网络时,参数设置如下:基础学习率为0.01,动量为0.9,权重衰减为1×10-8,batch大小设为32。
本发明和现有技术相比较,具有如下有益效果:
本发明通过多分支的网络联合学习多个任务,来获取车辆的细粒度判别性特征。首先,本发明采用一种新的多任务学习的卷积神经网络结构,网络通过基础属性的分类学习和ID分类学习两个分支获取网络输出特征向量,同时再用一个度量学习和ID学习任务来约束该特征向量,通过这四个任务联合学习来获取更加鲁棒的特征。其中ID学习使用了不同于其他方法的ArcFL损失函数,来增强样本类间的分离性和类内的紧密性;度量学习使用了不同于其他方法的Trihard损失函数,来挖掘网络训练过程中的困难样本。本发明通过创新性网络结构的提出和损失函数的改进,使车辆重识别和检索的精度得到显著提升并且准确率高;本发明易训练,虽然完成了较多的任务,但是网络结构设计简单,仅需要训练约五个小时,就可以得到最终的深度学习模型。
附图说明
图1为本发明实现的流程图。
图2为本发明方法的网络结构示意图。
图3为ArcFL损失函数的原理示意图。
图4为Trihard损失函数的原理示意图。
图5为本发明在大型车辆公共数据集VehicleID的large测试集上的车辆重识别可视化实验结果图。
具体实施方式
下面结合附图和具体实施方式,对本发明做详细描述。
参见图1,本发明利用多分支神经网络通过属性学习获得车辆的基础属性特征,通过ID学习和度量学习获得车辆的判别性特征,目的是能够捕捉不同车辆之间的车型间差异和车型内差异。本法通过这样的多分支网络结构,能够在学习不同车型图像之间差异的同时也学习到同一车型图像之间的细粒度差异,从而提取到粗粒度与细粒度结合的判别性车辆特征。提取到区分性特征后,再通过计算特征之间的余弦距离判断图片的相似性,按照相似性排名输出检索结果。具体方法如下:
步骤1:获取待检索的车辆图片,以及用于训练和测试的车辆图像数据集,将车辆图像数据集划分好训练集和测试集。
步骤2:多分支网络首先共享卷积神经网络的卷积层,然后将全连接层(FC)分为两个分支,一个分支用于基础属性的分类学习,基础属性的分类学习主要包括车型和颜色属性的学习;一个分支用于ID学习,主要是为了学习不同ID车辆的差异性特征。通过这样的多分支网络结构,能够在学习不同车型图像之间差异的同时也学习到同一车型图像之间的细粒度差异,从而提取到粗粒度与细粒度结合的判别性车辆特征。
设计卷积神经网络,本发明的卷积神经网络结构是以VGG16为基础网络,通过将其划分为不同的分支完成不同的学习任务,来获取车辆的细粒度特征。
如图2所示,卷积网络的结构主要包含四个分支,卷积神经网络的输入包括训练集中的图片及他们对应的车型、颜色和ID标签。首先将VGG16的卷积层后的全连接层(FC)分为两个分支,其中一个分支用于基础属性分类学习,基础属性分类学习主要包括车型和颜色属性的学习,使用交叉熵损失函数进行基础属性分类学习,得到特征向量及属性分类任务损失,这里记为第一分支,如图2中的branch1。另一个分支用于ID分类学习,主要是为了学习不同ID车辆的差异性特征,使用ArcFL损失函数进行ID分类学习,得到特征向量及ID分类损失,ArcFL损失函数的原理参见图3,这里记为第二分支,如图1中的branch2。两个分支通过共享卷积层来实现多任务的协同学习。这样一来,基础属性分类学习学到了车型间的差异性特征,ID学习学到了每个ID类别内车辆独有的特征,将两个分支的特征向量融合,得到网络的输出特征向量。
参见图3,ArcFL损失函数通过在特征和权重向量之间增加角度裕度来添加类间和类内距离的约束,以及使用Focal loss损失函数替换交叉熵损失来挖掘困难样本,优化了ID学习的过程。损失函数公式如下:
其中表示通过增加了角度裕度后获得的概率向量,s表示固定归一化后的特征||xi||,θyi表示权重向量第yi列与特征向量xi之间的角度,yi表示第i个样本所对应的类别,j表示权重向量对应的列标,θj表示权重向量Wj和特征向量xi之间的角度,m表示附加的角度裕度,本发明中m=0.5。为权重参数,γ为调制系数,本发明中γ=2,通过权重参数可以增加困难样本损失所占的权重,使困难样本获得网络的更多关注。
度量学习任务不需要增加单独的网络分支,而是在网络输出特征上完成。
在两个分支的融合后的网络的输出特征向量做度量学习,给这个网络的输出特征向量添加相似度约束,使用困难样本采样三元组损失Trihard损失函数,困难样本采样三元组损失Trihard损失函数的原理参见图4,将这一使用Trihard损失函数的度量学习任务记为第三分支,如图2中的branch3。这一分支的加入,使得不增加模型复杂度的同时,在多个任务独立的基础上,度量学习学到的特征更侧重于细粒度的判别性特征,而较少的包含一些重复特征。
ID学习采用了ArcFL损失函数,而不是分类任务常用的softmax函数。通过在特征和权重向量之间增加角度裕度来添加类间和类内距离的约束,以及使用Focal loss损失函数替换交叉熵损失来挖掘困难样本,优化了ID学习的过程。
参见图4,度量学习采用了困难样本采样三元组损失Trihard损失函数。训练时,从每一个batch中随机挑选P个ID的车辆,每个ID随机挑选K张图片,即一个batch含有P×K张图片。在选择三元组时,对于batch中的每一张图片a,根据特征映射的距离挑选一个和a距离最远的正样本,以及一个和a距离最近的负样本一起组成一个三元组。损失函数定义如下:
其中a表示batch中的每一张锚定图片,p表示正样本,n表示负样本,A表示这个batch中a的正样本集,B表示这个batch中a的负样本集,α为阈值参数,表示最远的正样本对的距离和最近的负样本对的距离之间的距离阈值。P表示车辆ID的数量,K表示每个ID对应的不同图片的数量,da,p表示图片a与三元组中正样本的距离,da,n表示图片a与三元组中负样本的距离,(z)+表示max(z,0)。
步骤3:在两个分支的融合特征后的网络的输出特征向量上,添加ID学习约束,完成再一次的ID学习任务,损失函数同步骤2中所列出的ArcFL损失函数。
考虑到ID学习是学习不同ID车辆的判别性特征,是比较难的任务。所以再添加一个分支,在第一、二分支的融合特征上再次进行ID学习任务,给网络输出特征再增加一个ID学习约束,以提高表征能力。这一分支记为第四分支,如图2中的branch4,它与第二分支一样也使用ArcFL损失函数。
简单来说,属性学习分支和ID学习分支分别记为第一分支和第二分支,它们的融合特征为网络的输出特征,第三分支的度量学习和第四分支的ID学习在第一分支和第二分支的融合特征上进行。四个分支联合学习,从而获得车辆的判别性特征。
在两个分支的融合特征也就是网络输出特征上,再加上ID学习约束。ID学习任务执行了两次,但是后面这次不需要增加单独的网络分支,而是在网络输出特征上完成。
步骤4:将多个学习任务所产生的损失(即步骤2产生的属性分类任务损失与ID分类损失与步骤3中度量学习任务、步骤4中ID学习任务所产生的损失)相加,得到一个多任务的损失函数;通过这个多任务损失函数在训练集上训练卷积神经网络,采用反向传播算法和随机梯度下降法,不断更新迭代。网络同时优化基础属性的分类学习、度量学习与ID分类学习这几个任务,直到前向传播的损失函数值趋于收敛时,停止训练,得到深度学习模型。
训练时参数设置如下:基础学习率为0.01,动量为0.9,权重衰减为1×10-8,batch大小设为32。
步骤5:用训练好的深度学习模型提取待检索的车辆图片以及测试集的图片特征,然后通过计算待检索的车辆图片以及测试集的图片特征之间的余弦距离判断图片的相似性,最后按照相似性排名输出车辆重识别结果。
下面为一个具体实施例。
本发明算法的神经网络基于pytorch框架实现,训练使用的工作站带有一块1080Ti型号GPU进行运算加速。实验在DRDL所发表的VehicleID车辆图像数据集上进行,它提供了Small、Medium、Large三个尺寸的测试集,它们分别包含7332、12995、20038张车辆图片。实验前需要将这三个尺寸的测试集分别分为probe集和gallery集两部分,可以将它们理解为验证集和注册集。以small测试集为例,small中共有7332张图片,其中包含800辆不同的车,也就是800个车辆ID。在进行gallery和probe数据集划分时,将随机选取每个ID的一张图片放入gallery中,组成包含800张图片的gallery集,其余6532张图片放入probe集。
通过训练好的网络提取probe集和gallery集的特征,并存入特征文件。测量匹配率时,依次选取probe中的每一张图片的特征作为待检索图片,运用余弦距离公式与gallery中的图片特征进行距离度量也就是相似度计算,最终按照相似度排名,输出检索结果。通过比较查询结果的ID与待检索图片ID,来计算匹配率。测得的匹配率数据如表1,通过和现有方法比较,验证了本发明对重识别精度的显著提升。
表1车辆重识别方法的匹配率评估
测量mAP时,依次选取gallery集中的每一张图片的特征作为待检索图片,运用余弦距离公式与probe集中的图片特征进行相似度计算,然后按照相似度排名,依次输出所有检索结果。比较查询结果的ID与待检索图片ID,若ID一致则为正确结果,根据正确结果所在的位置计算mAP,测得数据如表2所示。
表2车辆重识别方法的mAP值评估
此外,在large测试集上的可视化结果如图5,其中,第一列为待检索图片,其他列的图片为第一列对应的前5张检索结果。与待检索图片ID相同的为正确结果,不同的为错误结果。可视化结果及量化评估结果说明了本发明算法的有效性和鲁棒性。
本发明基于道路交通场景环境的监控场景车辆图片,方法简单有效,实验效果较准确,能够有效实现车辆重识别任务,可应用于车辆验证系统、车辆查找系统等。
Claims (6)
1.一种多任务联合判别学习的车辆重识别方法,其特征在于,包括如下步骤:
步骤1:获取待检索的车辆图片以及车辆图像数据集,将车辆图像数据集划分为训练集和测试集;
步骤2:首先共享卷积神经网络的卷积层,然后将全连接层分为两个分支,一个分支采用交叉熵损失函数进行基础属性的分类学习,获得特征向量及属性分类任务损失;另一个分支采用ArcFL损失函数进行ID分类学习,获得特征向量及ID分类损失;
步骤3:将两个分支的特征向量融合,得到网络的输出特征向量,在网络的输出特征向量上,添加度量学习约束,采用困难样本采样三元组损失Trihard损失函数,完成度量学习任务;
步骤4:在两个分支的融合特征向量上,添加ID学习约束,采用ArcFL损失函数完成ID学习任务;
步骤5:将步骤2产生的属性分类任务损失与ID分类损失和步骤3中度量学习任务与步骤4中ID学习任务产生的损失相加,得到多任务的损失函数;通过多任务损失函数在训练集上训练卷积神经网络,同时优化基础属性的分类学习、度量学习与ID分类学习,直到前向传播的损失函数值趋于收敛时,停止训练,得到深度学习模型;
步骤6:采用深度学习模型提取待检索的车辆图片以及测试集的图片特征,然后通过待检索的车辆图片以及测试集的图片特征之间的余弦距离判断图片的相似性,最后按照相似性排名输出车辆重识别结果;
步骤2中与步骤4中的ArcFL损失函数公式如下:
2.根据权利要求1所述的一种多任务联合判别学习的车辆重识别方法,其特征在于,基础属性的分类学习包括车型和颜色属性的学习。
3.根据权利要求1所述的一种多任务联合判别学习的车辆重识别方法,其特征在于,m=0.5,参数γ=2。
4.根据权利要求1所述的一种多任务联合判别学习的车辆重识别方法,其特征在于,步骤3中,困难样本采样三元组损失Trihard损失函数中三元组通过以下过程确定:从每一个batch中随机挑选P个ID的车辆,每个ID随机挑选K张图片,即一个batch含有P×K张图片;对于batch中的每一张图片a,根据特征映射的距离挑选一个和a距离最远的正样本,以及一个和a距离最近的负样本一起组成一个三元组;
困难样本采样三元组损失Trihard损失函数定义如下:
其中,a表示batch中的每一张锚定图片,p表示正样本,n表示负样本,A表示这个batch中a的正样本集,B表示batch中a的负样本集,α为最远的正样本对的距离和最近的负样本对的距离之间的距离阈值,P表示车辆ID的数量,K表示每个ID对应的不同图片的数量,da,p表示图片a与三元组中正样本的距离,da,n表示图片a与三元组中负样本的距离,(z)+表示max(z,0)。
5.根据权利要求1所述的一种多任务联合判别学习的车辆重识别方法,其特征在于,步骤5中,训练卷积神经网络时采用反向传播算法和随机梯度下降方法,不断更新迭代。
6.根据权利要求1所述的一种多任务联合判别学习的车辆重识别方法,其特征在于,步骤5中,训练卷积神经网络时,参数设置如下:基础学习率为0.01,动量为0.9,权重衰减为1×10-8,batch大小设为32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432575.6A CN111652293B (zh) | 2020-05-20 | 2020-05-20 | 一种多任务联合判别学习的车辆重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432575.6A CN111652293B (zh) | 2020-05-20 | 2020-05-20 | 一种多任务联合判别学习的车辆重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652293A CN111652293A (zh) | 2020-09-11 |
CN111652293B true CN111652293B (zh) | 2022-04-26 |
Family
ID=72346705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010432575.6A Active CN111652293B (zh) | 2020-05-20 | 2020-05-20 | 一种多任务联合判别学习的车辆重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652293B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396027B (zh) * | 2020-12-01 | 2023-09-19 | 北京交通大学 | 基于图卷积神经网络的车辆重识别方法 |
CN112418168B (zh) * | 2020-12-10 | 2024-04-02 | 深圳云天励飞技术股份有限公司 | 车辆识别方法、装置、系统、电子设备及存储介质 |
CN112668544B (zh) * | 2021-01-13 | 2022-03-22 | 昆明理工大学 | 一种基于难样本混淆增强特征鲁棒性的行人重识别方法 |
CN112818837B (zh) * | 2021-01-29 | 2022-11-11 | 山东大学 | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 |
CN112836677B (zh) * | 2021-03-02 | 2023-04-07 | 西安建筑科技大学 | 一种利用深度学习的弱监督车辆重识别方法 |
CN113128441B (zh) * | 2021-04-28 | 2022-10-14 | 安徽大学 | 一种属性和状态引导的结构嵌入车辆重识别系统和方法 |
CN113343909B (zh) * | 2021-06-29 | 2023-09-26 | 南京星云数字技术有限公司 | 多任务分类网络的训练方法、行人重识别方法 |
CN113837228B (zh) * | 2021-08-30 | 2024-01-16 | 厦门大学 | 基于惩罚感知中心损失函数的用于细粒度物体检索方法 |
CN114155496B (zh) * | 2021-11-29 | 2024-04-26 | 西安烽火软件科技有限公司 | 一种基于自注意力的车辆属性多任务协同识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679078A (zh) * | 2017-08-29 | 2018-02-09 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及系统 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
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 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886073B (zh) * | 2017-11-10 | 2021-07-27 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN108171247B (zh) * | 2017-12-21 | 2020-10-27 | 北京大学 | 一种车辆再识别方法及系统 |
US10885400B2 (en) * | 2018-07-03 | 2021-01-05 | General Electric Company | Classification based on annotation information |
CN109492583A (zh) * | 2018-11-09 | 2019-03-19 | 安徽大学 | 一种基于深度学习的车辆重识别方法 |
CN109800710B (zh) * | 2019-01-18 | 2021-04-06 | 北京交通大学 | 行人重识别系统及方法 |
CN110046553A (zh) * | 2019-03-21 | 2019-07-23 | 华中科技大学 | 一种融合属性特征的行人重识别模型、方法及系统 |
CN110309770B (zh) * | 2019-06-28 | 2022-09-30 | 华侨大学 | 一种基于四元组损失度量学习的车辆再辨识方法 |
CN110399828B (zh) * | 2019-07-23 | 2022-10-28 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
CN110619280B (zh) * | 2019-08-23 | 2022-05-24 | 长沙千视通智能科技有限公司 | 一种基于深度联合判别学习的车辆重识别方法及装置 |
CN110580460A (zh) * | 2019-08-28 | 2019-12-17 | 西北工业大学 | 基于行人身份和属性特征联合识别验证的行人再识别方法 |
CN110765954A (zh) * | 2019-10-24 | 2020-02-07 | 浙江大华技术股份有限公司 | 一种车辆重识别方法、设备及存储装置 |
CN111104867B (zh) * | 2019-11-25 | 2023-08-25 | 北京迈格威科技有限公司 | 基于部件分割的识别模型训练、车辆重识别方法及装置 |
CN111008608B (zh) * | 2019-12-11 | 2023-08-01 | 湖南大学 | 一种基于深度学习的夜间车辆检测方法 |
-
2020
- 2020-05-20 CN CN202010432575.6A patent/CN111652293B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679078A (zh) * | 2017-08-29 | 2018-02-09 | 银江股份有限公司 | 一种基于深度学习的卡口图像车辆快速检索方法及系统 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111652293A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652293B (zh) | 一种多任务联合判别学习的车辆重识别方法 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
Li et al. | Traffic light recognition for complex scene with fusion detections | |
CN112101150B (zh) | 一种基于朝向约束的多特征融合行人重识别方法 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN112215128B (zh) | 融合fcos的r-cnn城市道路环境识别方法及装置 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN111382690B (zh) | 基于多损失融合模型的车辆再识别方法 | |
CN111611861B (zh) | 一种基于多尺度特征关联的图像变化检测方法 | |
CN112215119B (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN111582178B (zh) | 基于多方位信息和多分支神经网络车辆重识别方法及系统 | |
EP4105600A2 (en) | Method for automatically producing map data, related apparatus and computer program product | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN115830531A (zh) | 一种基于残差多通道注意力多特征融合的行人重识别方法 | |
CN105654122A (zh) | 基于核函数匹配的空间金字塔物体识别方法 | |
CN111428650B (zh) | 一种基于sp-pggan风格迁移的行人重识别方法 | |
CN117011563A (zh) | 基于半监督联邦学习的道路损害巡检跨域检测方法及系统 | |
CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114022703A (zh) | 一种基于深度学习的高效车辆细粒度识别方法 | |
CN112232885A (zh) | 一种基于多模态信息融合的仓租价格预测方法 | |
CN115797884A (zh) | 一种基于类人视觉注意力加权的车辆重识别方法 |
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 |