CN111783624B - 一种保留平移不变性的行人重识别方法、装置及存储介质 - Google Patents
一种保留平移不变性的行人重识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111783624B CN111783624B CN202010605632.6A CN202010605632A CN111783624B CN 111783624 B CN111783624 B CN 111783624B CN 202010605632 A CN202010605632 A CN 202010605632A CN 111783624 B CN111783624 B CN 111783624B
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- pedestrian
- layer
- network model
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种保留平移不变性的行人重识别方法、装置及存储介质,该方法包括:训练步骤,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成;行人重识别步骤,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。本发明对卷积神经网络的下采样层的结构进行了修改,仅使用平均池化层进行下采样操作,不会破坏整个网络的平移不变性,提高了行人重识别的准确性,且针对修改后的网络结构提出了样本集及损失函数的具体修改方法。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种保留平移不变性的行人重识别方法、装置及存储介质。
背景技术
随着社会和科技的进步,人脸识别越来越成为一项可依赖的安防技术。但是对于现今大部分摄像头而言,其分辨率往往不能达到人脸识别系统的要求,故可以应用于现有监控系统的行人重识别技术是极有必要的。行人重识别(Person re-identification)是利用图像处理技术来判定某一摄像头下的行人是否出现在其他摄像头中,从而可以描绘行人的活动路径,实现跨镜头追踪的目的。现阶段行人重识别常用方法主要有表征学习、度量学习、基于局部特征或视频序列等方法。
CNN(卷积神经网络)架构由于采用多种下采样策略(最大池化、步长卷积等)导致网络最后提取到的图像特征丢失了平移不变性。而完整的行人重识别系统往往还需要叠加行人检测模型(通常为CNN架构)以抠取背景图中的行人图片,若行人重识别网络不具有良好的平移不变性,将受到行人检测模型的影响从而限制了整个系统的识别性能。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷,提出了如下技术方案。
一种保留平移不变性的行人重识别方法,该方法包括:
训练步骤,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成;
行人重识别步骤,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。
更进一步地,所述卷积神经网络模型包括全局特征识别部分和局部特征识别部分。
更进一步地,对所述样本集中使用的三元组样本添加随机平移增强策略处理,所述三元组样本增强策略为:每个三元组由标准样本、正样本和负样本组成,以概率P1选取三元组中的某一样本对其进行随机平移调整,所述随机平移调整以概率P2对该样本随机平移m个像素。
更进一步地,所述全局特征识别部分和局部特征识别部分使用的损失函数为Lsoftmax、Ltrihard和Lcenter。
更进一步地,对损失函数为Lsoftmax、Ltrihard和Lcenter进行加权计算,得到全局特征识别部分和局部特征识别部分的总损失函数Ltotal:
Ltotal=Lsoftmax+γtLtrihard+γcLcenter,其中,γt、γc为权重。
本发明还提出了一种保留平移不变性的行人重识别装置,该装置包括:
训练单元,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成;
行人重识别单元,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。
更进一步地,所述卷积神经网络模型包括全局特征识别部分和局部特征识别部分。
更进一步地,对所述样本集中使用的三元组样本添加随机平移增强策略处理,所述三元组样本增强策略为:每个三元组由标准样本、正样本和负样本组成,以概率P1选取三元组中的某一样本对其进行随机平移调整,所述随机平移调整以概率P2对该样本随机平移m个像素。
更进一步地,所述全局特征识别部分和局部特征识别部分使用的损失函数为Lsoftmax、Ltrihard和Lcenter。
更进一步地,对损失函数为Lsoftmax、Ltrih和Lcenter进行加权计算,得到全局特征识别部分和局部特征识别部分的总损失函数Ltotal:
Ltotal=Lsoftmax+γtLtriha+γcLcenter,其中,γt、γc为权重。
本发明还提出了一种计算机可读存储介质,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于:本发明的一种保留平移不变性的行人重识别方法、装置及存储介质,该方法包括:训练步骤,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成;行人重识别步骤,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。本发明对卷积神经网络的下采样层的结构进行了修改,使用平均池化层进行下采样操作,不会破坏整个网络的平移不变性,提高了行人重识别的准确性,且针对修改后的网络结构提出了样本集及损失函数的具体修改方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1是根据本发明的实施例的一种保留平移不变性的行人重识别方法的流程图。
图2是根据本发明的实施例的卷积神经网络修改结构示意图。
图3是根据本发明的实施例的一种保留平移不变性的行人重识别装置的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的一种保留平移不变性的行人重识别方法,该方法包括:
训练步骤S101,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成。
CNN网络平移不变性丢失原因在于下采样部分(主要为最大池化层及步长为2的卷积层)对于输入特征图像素点移位较为敏感,而平均池化层虽然同样为下采样操作,但是由于其计算方式(相邻像素值求平均)的特殊性,并不会破坏整个网络的平移不变性。因此在整个网络设计中考虑使用仅仅使用平均池化来完成下采样操作,实现最大池化层及步长为2的卷积层的等效操作。
在一个实施例中,使用resnet50作为backbone网络构建行人重识别识别网络,并对stage1、stage2及stage3用于下采样的中的最大池化层及步长为2的卷积层进行着重调整。具体地,参见图2,使用步长为1的最大池化层与步长为2的平均池化层依次连接后替代原来的步长为2的最大池化层,使用步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接后替代原来的步长为2的卷积层与ReLU激活函数层,平均池化层。虽然同样为下采样操作,但是由于其计算方式(相邻像素值求平均)的特殊性,平均池化层并不会破坏整个网络的平移不变性,提高了行人重识别的准确性,这是本发明的重要发明点之一。
行人重识别步骤S102,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。所述摄像头可以是各种监控摄像头,如商场、街道等等分布的摄像头,图像为获取的视频图像,也可以是抓拍的图像等等。
在一个实施例中,所述卷积神经网络模型包括全局特征识别部分和局部特征识别部分,结合全局、局部进行行人重识别可以进一步提高识别的准确率。
在一个实施例中,为了适应修改后的网络结构,本发明对三元组样本进行随机平移调整,具体为:每个三元组由标准样本、正样本和负样本组成,以概率P1选取三元组中的某一样本对其进行随机平移调整,所述随机平移调整以概率P2对该样本随机平移m个像素,在实践中,P1设为0.5,P2设为0.4可取得较好结果,m为0-20,优选为12,这样,对样本进行处理后,适应修改后的网络结构,以提高卷积神经网络的识别准确率。
在一个实施例,需要根据修改后的网络结构对损失函数的调整,所述全局特征识别部分和局部特征识别部分使用的损失函数为Lsoftmax、Ltrihard和Lcenter。由于在训练过程中样本有一定的概率会被随机平移,为了平衡这部分样本的影响,使用Center Loss对其进行约束,将最后的损失函数修改为总损失函数Ltotal:
Ltotal=Lsoftmax+γtLtrihard+γcLcenter,
其中,γt、γc为权重,实验中γt=0.8,γc=0.2,通过根据修改后的网络结构修改了网络的损失函数,以提高网络训练时的效率,并保证网络的可靠性,这是本发明的另一个重要发明点。
图3示出了本发明的示出了本发明的一种保留平移不变性的行人重识别装置,该装置包括:
训练单元301,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成。
CNN网络平移不变性丢失原因在于下采样部分(主要为最大池化层及步长为2的卷积层)对于输入特征图像素点移位较为敏感,而平均池化层虽然同样为下采样操作,但是由于其计算方式(相邻像素值求平均)的特殊性,并不会破坏整个网络的平移不变性。因此在整个网络设计中考虑使用仅仅使用平均池化来完成下采样操作,实现最大池化层及步长为2的卷积层的等效操作。
在一个实施例中,使用resnet50作为backbone网络构建行人重识别识别网络,并对stage1、stage2及stage3用于下采样的中的最大池化层及步长为2的卷积层进行着重调整。具体地,参见图2,使用步长为1的最大池化层与步长为2的平均池化层依次连接后替代原来的步长为2的最大池化层,使用步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接后替代原来的步长为2的卷积层与ReLU激活函数层,平均池化层虽然同样为下采样操作,但是由于其计算方式(相邻像素值求平均)的特殊性,并不会破坏整个网络的平移不变性,提高了行人重识别的准确性,这是本发明的重要发明点之一。
行人重识别单元302,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。所述摄像头可以是各种监控摄像头,如商场、街道等等分布的摄像头,图像为获取的视频图像,也可以是抓拍的图像等等。
在一个实施例中,所述卷积神经网络模型包括全局特征识别部分和局部特征识别部分,结合全局、局部进行行人重识别可以进一步提高识别的准确率。
在一个实施例中,为了适应修改后的网络结构,本发明对三元组样本进行随机平移调整,具体为:每个三元组由标准样本、正样本和负样本组成,以概率P1选取三元组中的某一样本对其进行随机平移调整,所述随机平移调整以概率P2对该样本随机平移m个像素,在实践中,P1设为0.5,P2设为0.4可取得较好结果,m为0-20,优选为12,这样,对样本进行处理后,适应修改后的网络结构,以提高卷积神经网络的识别准确率。
在一个实施例,需要根据修改后的网络结构对损失函数的调整,所述全局特征识别部分和局部特征识别部分使用的损失函数为Lsoftmax、Ltrihard和Lcenter,在训练过程中样本有一定的概率会被随机平移,为了平衡这部分样本的影响,使用Center Loss对其进行约束,将最后的损失函数修改为总损失函数Ltotal:
Ltotal=Lsoftmax+γtLtrihard+γcLcenter,
其中,γt、γc为权重,实验中γt=0.8,γc=0.2,通过根据修改后的网络结构修改了网络的损失函数,以提高网络训练时的效率,并保证网络的可靠性,这是本发明的另一个重要发明点。
本发明的为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是:以上实施例仅以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种保留平移不变性的行人重识别方法,其特征在于,该方法包括:
训练步骤,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成;
行人重识别步骤,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果;
其中,对所述样本集中使用的三元组样本添加随机平移增强策略处理,所述三元组样本增强策略为:每个三元组由标准样本、正样本和负样本组成,以概率P1选取三元组中的某一样本对其进行随机平移调整,所述随机平移调整以概率P2对该样本随机平移m个像素;
所述卷积神经网络模型包括全局特征识别部分和局部特征识别部分,所述全局特征识别部分和局部特征识别部分使用的损失函数为Lsoftmax、Ltrihard和Lcenter,对损失函数为Lsoftmax、Ltrihard和Lcenter进行加权计算,得到全局特征识别部分和局部特征识别部分的总损失函数Ltotal:
Ltotal=Lsoftmax+γtLtrihard+γcLcenter,其中,γt、γc为权重。
2.一种保留平移不变性的行人重识别装置,其特征在于,该装置包括:
训练单元,使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型,其中,所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成,或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成;
行人重识别单元,使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果;
所述训练单元还包括:对所述样本集中使用的三元组样本添加随机平移增强策略处理,所述三元组样本增强策略为:每个三元组由标准样本、正样本和负样本组成,以概率P1选取三元组中的某一样本对其进行随机平移调整,所述随机平移调整以概率P2对该样本随机平移m个像素;
所述卷积神经网络模型包括全局特征识别部分和局部特征识别部分,所述全局特征识别部分和局部特征识别部分使用的损失函数为Lsoftmax、Ltrihard和Lcenter,对损失函数为Lsoftmax、Ltrihard和Lcenter进行加权计算,得到全局特征识别部分和局部特征识别部分的总损失函数Ltotal:
Ltotal=Lsoftmax+γtLtrihard+γcLcenter,其中,γt、γc为权重。
3.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序代码,当所述计算机程序代码被计算机执行时执行权利要求1的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605632.6A CN111783624B (zh) | 2020-06-29 | 2020-06-29 | 一种保留平移不变性的行人重识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605632.6A CN111783624B (zh) | 2020-06-29 | 2020-06-29 | 一种保留平移不变性的行人重识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783624A CN111783624A (zh) | 2020-10-16 |
CN111783624B true CN111783624B (zh) | 2023-03-24 |
Family
ID=72761313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010605632.6A Active CN111783624B (zh) | 2020-06-29 | 2020-06-29 | 一种保留平移不变性的行人重识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783624B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529946A (zh) * | 2022-02-23 | 2022-05-24 | 厦门市美亚柏科信息股份有限公司 | 基于自监督学习的行人重识别方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
JP2017142735A (ja) * | 2016-02-12 | 2017-08-17 | マツダ株式会社 | 車両用の歩行者動作識別装置 |
CN107844753A (zh) * | 2017-10-20 | 2018-03-27 | 珠海习悦信息技术有限公司 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
CN108537283A (zh) * | 2018-04-13 | 2018-09-14 | 厦门美图之家科技有限公司 | 一种图像分类方法及卷积神经网络生成方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
-
2020
- 2020-06-29 CN CN202010605632.6A patent/CN111783624B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017142735A (ja) * | 2016-02-12 | 2017-08-17 | マツダ株式会社 | 車両用の歩行者動作識別装置 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN107844753A (zh) * | 2017-10-20 | 2018-03-27 | 珠海习悦信息技术有限公司 | 视频图像中的行人重识别方法、装置、存储介质及处理器 |
CN108537283A (zh) * | 2018-04-13 | 2018-09-14 | 厦门美图之家科技有限公司 | 一种图像分类方法及卷积神经网络生成方法 |
CN110084215A (zh) * | 2019-05-05 | 2019-08-02 | 上海海事大学 | 一种二值化三元组孪生网络模型的行人重识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111783624A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
KR102641115B1 (ko) | 객체 검출을 위한 영상 처리 방법 및 장치 | |
CN109583340B (zh) | 一种基于深度学习的视频目标检测方法 | |
CN112233038A (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
WO2022111355A1 (zh) | 车牌识别方法及装置、存储介质、终端 | |
TWI358674B (zh) | ||
Yang et al. | Single image haze removal via region detection network | |
CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
KR20180109658A (ko) | 영상 처리 방법과 장치 | |
CN111428664A (zh) | 一种基于人工智能深度学习技术的计算机视觉的实时多人姿态估计方法 | |
CN112614061A (zh) | 基于双路编解码器的低照度图像亮度增强及超分辨率方法 | |
Salem | A Survey on Various Image Inpainting Techniques. | |
CN111783624B (zh) | 一种保留平移不变性的行人重识别方法、装置及存储介质 | |
CN111445496A (zh) | 一种水下图像识别跟踪系统及方法 | |
CN108810319B (zh) | 图像处理装置和图像处理方法 | |
CN111178398B (zh) | 检测身份证图像信息篡改的方法、系统、存储介质及装置 | |
CN117315336A (zh) | 花粉颗粒识别方法、装置、电子设备及存储介质 | |
CN116912219A (zh) | 一种基于知识蒸馏的无参考图像质量评价方法 | |
CN115937121A (zh) | 基于多维度特征融合的无参考图像质量评价方法及系统 | |
CN107590790B (zh) | 一种基于对称边缘填充的简单透镜边缘区域去模糊方法 | |
Huda et al. | Effects of pre-processing on the performance of transfer learning based person detection in thermal images | |
CN116128707A (zh) | 图像处理方法及装置、电子设备、计算可读存储介质 | |
CN114529518A (zh) | 一种基于图像金字塔与nlm的冷冻电镜图像增强方法 | |
Ndjiki-Nya et al. | Automatic structure-aware inpainting for complex image content | |
CN112634126A (zh) | 人像减龄处理方法、训练方法、装置、设备及存储介质 |
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 |