CN111832511A - 一种增强样本数据的无监督行人重识别方法 - Google Patents
一种增强样本数据的无监督行人重识别方法 Download PDFInfo
- Publication number
- CN111832511A CN111832511A CN202010704450.4A CN202010704450A CN111832511A CN 111832511 A CN111832511 A CN 111832511A CN 202010704450 A CN202010704450 A CN 202010704450A CN 111832511 A CN111832511 A CN 111832511A
- Authority
- CN
- China
- Prior art keywords
- data
- target domain
- sample
- samples
- pedestrian
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002708 enhancing effect Effects 0.000 title abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000006978 adaptation Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本发明公开了一种增强样本数据的无监督行人重识别方法,属于计算机视觉领域中的图像检索方向。主要采用图像生成方法和特征学习方法结合的方式解决无监督行人重识别的域适应问题并保持行人数据足够多样以及相似。具体地,利用生成对抗网络生成与目标域相似风格的样本数据解决域风格差异问题,同时在三元组损失函数的正负例选取策略中,通过约束源域数据以及目标域数据特征间的距离满足行人数据的多样性以及相似性,即拉近距离保证相似样本足够相似,拉远距离保证样本数据足够各异。在基本不增加训练成本的情况下增强样本数据,大大提升无监督检索的效果,使用价值高,可扩展性强。
Description
技术领域
本发明属于计算机视觉领域,是图像处理领域中的一项重要应用,尤其是涉及一种增强样本数据的无监督行人重识别方法。
技术背景
随着深度学习的发展以及智能设备的完善,智能视频监控、智能安保、智能交通等高科技智能化落地技术逐渐应用到城市生活中。行人重识别技术主要是在短时场景中寻找出该行人在其他摄像头下的图片信息,通过网络提取行人的外部形态、服装颜色等特征信息,利用相似性度量方法根据行人特征匹配到与该行人在跨设备下的最相似的前几幅图像,得到对应的检索序列结果以实现行人再识别的过程。在有监督的行人重识别方法中,多是在几个经典的数据集上做工作,主要围绕特征提取以及相似性度量两大方面改进优化。但是考虑现实生活中存在大量的行人图像数据因缺乏标注信息却无法利用的问题,所以研究如何利用无标签的行人数据转向无监督行人重识别领域更是落地所需。
在无监督行人重识别中,主要分为三大类展开研究:第一类是基于聚类的方法,这类方法主要是利用在有标签数据预训练网络的基础上利用现存的聚类方法实现无标签数据的聚类,将聚类结果作为行人的类别信息。但是这种通过聚类方法得到的伪标签会大大降低准确率,因为数据中的难样本的聚类总会出现偏差,在聚类过程中会产生大量离群点,从而影响聚类结果,最终得到错误的类别标签,影响检索结果;第二类是特征级别,旨在提取带标签的源域数据以及不带标签的目标域数据的特征分布进行分析,但是这类方法由于目标域数据缺乏一定的监督信息,所以无监督效果比较差;第三类是图像级别,利用生成对抗网络生成不同风格的样本数据,变换源域与目标域的风格使网络自适应地学习来自不同域的特征信息,由于来自源域以及目标域的两类数据集中的行人图像风格各异,导致数据间存在较大偏差,所以这类方法主要解决域适应的问题。
我们提出一种增强样本数据的无监督行人重识别方法,采用第三类图像生成方法和第二类特征学习方法结合的方式均衡正负样本、解决无监督行人重识别的域适应问题并保持行人数据足够多样以及相似。具体地,通过第三类方法扩充图像数据,生成来自不同数据集风格的图像,然后在第二类方法上进行特征级别的分析,通过约束特征间的距离满足行人数据的多样性以及相似性,即拉近距离保证相似样本足够相似,拉远距离保证样本数据足够各异。
发明内容
本发明提出了一种增强样本数据的无监督行人重识别方法。该方法以深度卷积神经网络Resnet50作为backbone,使用在MSMT17数据集上预训练的权重作为整个网络的初始化。选择在某个数据集上的带标签数据作为源域数据进行初步训练,利用另一个数据集上的无标签数据作为目标域进行测试。由于两个域的数据集不重合,即不存在同一行人的图像,选择一部分无标签的目标数据辅助初步训练过程,即联合两个数据集的图像做训练,为了使网络快又好地适应不同域数据的分布问题,即解决无监督域适应的问题,将训练数据利用生成对抗网络生成各类风格的图像,一是扩充数据样本起到数据增强的效果,增加行人数据的多样性,解决正负例不均衡的问题;二是通过生成的样本数据,使源域数据的风格自适应学习到目标域数据的风格,通过损失函数约束源域数据以及目标域数据,既保证域适应的问题,又能够保证样本间的多样性以及相似性,达到较好的测试效果。
其技术解决方案是:
一种增强样本数据的无监督行人重识别方法,所述方法包括:
步骤1),选取某个数据集的带标签图像作为源域数据S,选择另一个数据集的图像作为目标域数据T,对于目标域数据,不提供行人的身份标签,仅提供相机标签C作为一种弱监督形式辅助无监督行人重识别的训练过程。在预处理阶段,用在MSMT17数据集上预训练的权重作为整个网络的初始化。
步骤2),针对带标签的源域数据,采用一种生成对抗网络生成目标域数据风格的图像,对于训练的源域数据,每个ID对应生成1幅目标域风格图像,将生成的图像与原有的源域训练图像共同输入网络,因训练数据带有标签,故该过程作为监督方式下的预训练过程,提高无监督网络的适应性。
步骤3),针对不带标签的目标域数据,利用生成对抗网络将训练的每个目标域样本对应生成C个不同相机风格的图像以适应不同的相机风格,同时能够扩充目标域数据增加样本的多样性。
步骤4),在训练过程中,由于目标域数据不带标签,无法直接利用三元组损失函数进行正负例的选取。根据步骤2)、步骤3),充分利用生成的样本数据,因源域与目标域来自不同的数据集,所以来自两个域的样本便构成负例,原有的目标域数据与生成的相机风格的数据样本作为正例数据应用到三元组损失约束中。在此基础上,为提高不同域以及风格各异样本间相似程度的匹配情况,采用一种极难思想三元组采样策略。
步骤5),在整体的训练过程中,首先,对源域数据利用交叉熵分类损失以及三元组损失函数联合约束类间类内的相似性。然后,在源域数据和目标域数据的组合训练上,考虑无标签源域数据的引入只利用三元组损失进行优化,得到训练完的模型,更加确立相似性损失、分类损失的权重因子。
步骤6),测试阶段中,利用训练的无监督网络提取到的特征,计算样本间的欧氏距离并进行排序,旨在给定一张目标域的查询样例,能够高准确的检索出最相似的前k幅图像。
所述步骤1)在无监督行人重识别中,首先用MSMT17数据集进行初始化,使网络适应检索分类的目的。针对源域数据与目标域数据,对每个批次随机选取的图像做resize处理,并使用随机擦除的手段防止过拟合。
所述步骤2)与3)中分别利用生成对抗网络生成与目标域风格相似的样本以及目标域不同相机风格的样本,解决源域风格与目标域风格适应的问题,同时可以扩充训练样本提高多样性,均衡损失训练过程中正负样本的数量。
所述步骤4)中设计三元组损失优化网络,确定损失函数的权重因子,同时根据生成样本数据的特点选取正负例样本并采用一种极难采样策略选择较难样本提高网络的泛化性,两两样本的互检索序列中都在各自的排序中即认为两个样本数据极为相似,并作为正例用于损失函数中。
所述步骤5)在预训练模块中,只利用带标签的源域数据进行分类交叉熵损失以及三元组损失的联合优化,其中生成的1张目标域风格的样本数据也带有标签信息,同样作为训练数据做三元组损失对网络参数进行优化。在源域数据联合不带标签的目标域数据的训练过程中,由于部分数据无监督信息,根据生成对抗网络生成的样本数据定义正负样本。其中源域数据(包括生成的目标域风格的图像)与目标域数据构成负样本,目标域数据与利用生成对抗网络生成不同相机风格的图像构成正样本,利用4)步骤所述的极难样本采样策略二次筛选用于三元组损失中的正负例数据。
所述步骤6)中的测试阶段,计算查询样本的检索特征与数据库中各样本特征间的相似性距离,根据距离排序检索出结果样例。距离越小表示样本越相似,反之亦然。
所述整个方法中网络在训练以及测试过程中都是端到端实现的。经过增强样本数据训练以后,以无监督的方式训练能够达到较高的检索结果。
本发明充分利用无标签数据进行无监督训练解决域适应的问题。利用生成对抗网络生成新的样本数据进行多样性以及相似性的优化,根据增强的样本数据采用一种极难采样策略选择三元组损失的正负例样本,在基本不增加训练成本的情况下丰富样本的多样性解决域适应的问题,大大提升检索的精度,使用价值高,可扩展性强。
附图说明
附图1是本发明所构建的增强样本数据的无监督行人重识别方法模型框架图。
附图2是本发明所构建的源域S以及目标域T的生成样本示意图。
具体实施方式
一种增强样本数据的无监督行人重识别方法,包括以下步骤:
1)在基于增强样本数据的无监督行人重识别方法的具体实例中,先将带标签的源域数据S预处理成一定大小的图片,利用随机水平翻转以及随机擦除等手段,防止一定的过拟合。将源域数据输入到生成对抗网络中生成与目标域风格相似的样本数据考虑网络的泛化性,生成太多目标域风格的数据给网络过多的监督信息反而不利于网络的训练,所以针对每个源域样本Ns对应生成1张目标域风格的样本数据,即生成的新样本带有标签信息,结合原有的源域数据共同进行分类交叉熵损失Lcla与三元组损失Ltrip的训练优化网络参数。
2)在基于增强样本数据的无监督行人重识别方法的具体实例中,将不带标签的目标域数据采用与1)中相同的生成对抗网络实现目标域相机风格数据的生成,假设该目标域数据是来自C个摄像头捕获的数据样本,则针对每个目标域样本Nt对应生成C张相机风格的样本数据,即生成的新样本数据与对应的目标域样本构成正例,即与属于同一行人,将生成的目标域数据与原有的数据共同构成训练过程的目标域数据进而丰富样本数据的多样性。
3)在基于增强样本数据的无监督行人重识别方法的具体实例中,对于源域数据 与目标域数据由于目标域数据没有监督信息无法利用分类交叉熵损失,故采用三元组损失函数解决无监督行人重识别的域适应问题并保持行人数据足够多样以及相似。目标域数据与生成数据构成正样本对(Xa,Xp),源域数据与所有的目标域数据T构成负样本对(Xa,Xn),即公式如下:
每个训练批次数量为B,总训练样本数量为N。其中,阈值α需要人为调节到合适的值来控制类内类间距离。
4)在基于增强样本数据的无监督行人重识别方法的具体实例中,对于无监督的训练过程,为了对3)中选取的三元组对进一步优化,采用一种极难采样策略选择困难样本提高网络的泛化性,即在Max[d(Xa,Xp)2],Min[d(Xa,Xn)2]构成的{Xa,Xp,Xn}的样例中进行二次筛选,正样本间的互检索序列都在各自的比较靠前的检索排序中,负样本间的互检索序列需满足其一样本在另一个样本的top-k序列中,而另一样本则不在其top-k序列中即认为两个负例样本及其相似,并作为困难样本用于损失函数中。
5)在基于增强样本数据的无监督行人重识别方法的具体实例中,将所有带标签的源域数据训练Lcla损失函数如下:
将源域数据的监督训练过程称为Supervised Domain Adaptation,则总体优化损失为:
LsDA=Lcla+εLtrip
ε为超参,控制整个损失中三元组损失所占比重。其中,用于Ltrip的正负样本均来自带标签的源域数据及其各自的生成样本,即将源域数据与目标域数据的无监督训练过程称为Unsupervised Domain Adaptation,优化损失为:
LUDA=Ltrip
6)在基于增强样本数据的无监督行人重识别方法的具体实例中,利用训练好的网络模型将数据库中的所有图片特征提取出。在测试过程中,计算查询图片特征与所有数据库图片特征的欧氏距离,根据距离排序结果检索出不同摄像头下的同一行人图像的序列。
本发明中主要采用图像生成方法和特征学习方法结合的方式解决无监督行人重识别的域适应问题并保持行人数据足够多样以及相似。通过生成与目标域风格相似的样本数据,一是弱化来自源域以及目标域不同数据集下图像的风格偏差,解决域适应的问题;二是扩充样本数据,通过约束源域数据、目标域数据及其扩充样本数据特征间的距离满足行人数据的多样性以及相似性。相比现有无监督行人重识别算法,没有引入额外的模型,精度在增强样本数据下有所提升。
上述方式中未述及的技术内容,采取或借鉴已有技术即可实现。需要说明的是,在本说明书的教导下,本领域技术人员还可以作出这样或那样的容易变化方式,诸如等同方式,或明显变形方式。上述的变化方式均应在本发明的保护范围之内。
Claims (7)
1.一种增强样本数据的无监督行人重识别方法,所述方法包括:
步骤1),选取某个数据集的带标签图像作为源域数据S,选择另一个数据集的图像作为目标域数据T,对于目标域数据,不提供行人的身份标签,仅提供相机标签C作为一种弱监督形式辅助无监督行人重识别的训练过程。在预处理阶段,用在MSMT17数据集上预训练的权重作为整个网络的初始化。
步骤2),),针对带标签的源域数据,采用一种生成对抗网络生成目标域数据风格的图像,对于训练的源域数据,每个ID对应生成1幅目标域风格图像。
步骤3),针对不带标签的目标域数据,利用生成对抗网络将训练的每个目标域样本对应生成C个不同相机风格的图像以适应不同的相机风格,同时能够扩充目标域数据增加样本的多样性。
步骤4),在训练过程中,由于目标域数据不带标签,无法直接利用三元组损失函数进行正负例的选取。根据步骤2)、步骤3),充分利用生成的样本数据,因源域与目标域来自不同的数据集,所以来自两个域的样本便构成负例,原有的目标域数据与生成的相机风格的数据样本作为正例数据应用到三元组损失约束中。在此基础上,为提高不同域以及风格各异样本间相似程度的匹配情况,采用一种极难思想三元组采样策略。
步骤5),在整体的训练过程中,首先,对源域数据利用交叉熵分类损失以及三元组损失函数联合约束类间类内的相似性。然后,在源域数据和目标域数据的组合训练上,考虑无标签源域数据的引入只利用三元组损失进行优化,得到训练完的模型,更加确立相似性损失、分类损失的权重因子。
步骤6),测试阶段中,利用训练的无监督网络提取到的特征,计算样本间的欧氏距离并进行排序,旨在给定一张目标域的查询样例,能够高准确的检索出最相似的前k幅图像。
2.根据权利要求1所述的基于增强样本数据的无监督行人重识别方法,其特征在于:所述步骤1)在无监督行人重识别中,首先用MSMT17数据集进行初始化,使网络适应检索分类的目的。针对源域数据与目标域数据,对每个批次随机选取的图像做resize处理,并使用随机擦除的手段防止过拟合。
3.根据权利要求1所述的基于增强样本数据的无监督行人重识别方法,其特征在于:所述步骤2)与3)中分别利用生成对抗网络生成与目标域风格相似的样本以及目标域不同相机风格的样本,解决源域风格与目标域风格适应的问题,同时可以扩充训练样本的多样性,均衡损失训练过程中正负样本的数量。
4.根据权利要求1所述的基于增强样本数据的无监督行人重识别方法,其特征在于:所述步骤4)中设计三元组损失优化网络,确定损失函数的权重因子,同时根据生成样本数据的特点选取正负例样本并采用一种极难采样策略选择较难样本提高网络的泛化性,两两样本的互检索序列中都在各自的排序中即认为两个样本数据极为相似,并作为正例用于损失函数中。
5.根据权利要求1所述的基于增强样本数据的无监督行人重识别方法,其特征在于:所述步骤5)在预训练模块中,只利用带标签的源域数据进行分类交叉熵损失以及三元组损失的联合优化。在源域数据联合不带标签的目标域数据的训练过程中,根据生成对抗网络生成的样本数据定义正负样本。其中源域数据(包括生成的目标域风格的图像)与目标域数据构成负样本,目标域数据与利用生成对抗网络生成不同相机风格的图像构成正样本,利用4)步骤所述的极难样本采样策略二次筛选用于三元组损失中的正负例数据。
6.根据权利要求1所述的基于增强样本数据的无监督行人重识别方法,其特征在于:所述步骤6)中的测试阶段,计算查询样本的检索特征与数据库中各样本特征间的相似性距离,根据距离排序检索出结果样例。距离越小表示样本越相似,反之亦然。
7.根据权利要求1所述的基于增强样本数据的无监督行人重识别方法,其特征在于:整个网络在训练以及测试过程中都是端到端实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704450.4A CN111832511A (zh) | 2020-07-21 | 2020-07-21 | 一种增强样本数据的无监督行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010704450.4A CN111832511A (zh) | 2020-07-21 | 2020-07-21 | 一种增强样本数据的无监督行人重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832511A true CN111832511A (zh) | 2020-10-27 |
Family
ID=72923819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010704450.4A Pending CN111832511A (zh) | 2020-07-21 | 2020-07-21 | 一种增强样本数据的无监督行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832511A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668544A (zh) * | 2021-01-13 | 2021-04-16 | 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 |
CN112800111A (zh) * | 2021-01-26 | 2021-05-14 | 重庆邮电大学 | 一种基于训练数据挖掘的位置预测方法 |
CN113112397A (zh) * | 2021-03-25 | 2021-07-13 | 北京工业大学 | 一种基于风格与内容解耦的图像风格迁移方法 |
CN113177640A (zh) * | 2021-05-31 | 2021-07-27 | 重庆大学 | 一种离散异步事件数据增强方法 |
CN113221902A (zh) * | 2021-05-11 | 2021-08-06 | 中国科学院自动化研究所 | 基于数据分布扩充的跨域自适应语义分割方法及系统 |
CN113610045A (zh) * | 2021-08-20 | 2021-11-05 | 大连理工大学 | 深度特征集成学习的遥感图像目标识别泛化性方法 |
CN113792853A (zh) * | 2021-09-09 | 2021-12-14 | 北京百度网讯科技有限公司 | 字符生成模型的训练方法、字符生成方法、装置和设备 |
WO2022095476A1 (zh) * | 2020-11-09 | 2022-05-12 | 华为技术有限公司 | 数据增强方法、装置、计算设备以及计算机可读存储介质 |
CN116049660A (zh) * | 2021-10-28 | 2023-05-02 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
-
2020
- 2020-07-21 CN CN202010704450.4A patent/CN111832511A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022095476A1 (zh) * | 2020-11-09 | 2022-05-12 | 华为技术有限公司 | 数据增强方法、装置、计算设备以及计算机可读存储介质 |
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 |
CN112668544A (zh) * | 2021-01-13 | 2021-04-16 | 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 |
CN112800111A (zh) * | 2021-01-26 | 2021-05-14 | 重庆邮电大学 | 一种基于训练数据挖掘的位置预测方法 |
CN112800111B (zh) * | 2021-01-26 | 2022-08-02 | 重庆邮电大学 | 一种基于训练数据挖掘的位置预测方法 |
CN113112397A (zh) * | 2021-03-25 | 2021-07-13 | 北京工业大学 | 一种基于风格与内容解耦的图像风格迁移方法 |
CN113221902A (zh) * | 2021-05-11 | 2021-08-06 | 中国科学院自动化研究所 | 基于数据分布扩充的跨域自适应语义分割方法及系统 |
CN113221902B (zh) * | 2021-05-11 | 2021-10-15 | 中国科学院自动化研究所 | 基于数据分布扩充的跨域自适应语义分割方法及系统 |
CN113177640A (zh) * | 2021-05-31 | 2021-07-27 | 重庆大学 | 一种离散异步事件数据增强方法 |
CN113610045A (zh) * | 2021-08-20 | 2021-11-05 | 大连理工大学 | 深度特征集成学习的遥感图像目标识别泛化性方法 |
CN113792853A (zh) * | 2021-09-09 | 2021-12-14 | 北京百度网讯科技有限公司 | 字符生成模型的训练方法、字符生成方法、装置和设备 |
CN113792853B (zh) * | 2021-09-09 | 2023-09-05 | 北京百度网讯科技有限公司 | 字符生成模型的训练方法、字符生成方法、装置和设备 |
CN116049660A (zh) * | 2021-10-28 | 2023-05-02 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832511A (zh) | 一种增强样本数据的无监督行人重识别方法 | |
CN112036322B (zh) | 多任务网络跨域行人重识别模型构建方法、系统及装置 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN110598018B (zh) | 一种基于协同注意力的草图图像检索方法 | |
Sun et al. | Robust text detection in natural scene images by generalized color-enhanced contrasting extremal region and neural networks | |
Zhao et al. | Transfer learning with ensemble of multiple feature representations | |
CN112364791B (zh) | 一种基于生成对抗网络的行人重识别方法和系统 | |
Yee et al. | DeepScene: Scene classification via convolutional neural network with spatial pyramid pooling | |
CN112651940B (zh) | 基于双编码器生成式对抗网络的协同视觉显著性检测方法 | |
CN113283362B (zh) | 一种跨模态的行人重识别方法 | |
CN112819065A (zh) | 基于多重聚类信息的无监督行人难样本挖掘方法和系统 | |
CN111783521A (zh) | 基于低秩先验引导的域不变信息分离的行人重识别方法 | |
CN109977893A (zh) | 基于层次显著性通道学习的深度多任务行人再识别方法 | |
CN114662497A (zh) | 一种基于协同神经网络的虚假新闻检测方法 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN113032601A (zh) | 一种基于判别性提升的零样本草图检索方法 | |
Xue et al. | Grafting transformer on automatically designed convolutional neural network for hyperspectral image classification | |
CN115827954A (zh) | 动态加权的跨模态融合网络检索方法、系统、电子设备 | |
Zheng et al. | Adaptive boosting for domain adaptation: Toward robust predictions in scene segmentation | |
Zhang et al. | Close-set camera style distribution alignment for single camera person re-identification | |
Symeonidis et al. | Neural attention-driven non-maximum suppression for person detection | |
CN116910571B (zh) | 一种基于原型对比学习的开集域适应方法及系统 | |
He et al. | Multi-level progressive learning for unsupervised vehicle re-identification | |
Wang et al. | Inter-Class and Inter-Domain Semantic Augmentation for Domain Generalization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201027 |