CN111931641A - 基于权重多样性正则化的行人重识别方法及其应用 - Google Patents

基于权重多样性正则化的行人重识别方法及其应用 Download PDF

Info

Publication number
CN111931641A
CN111931641A CN202010790733.5A CN202010790733A CN111931641A CN 111931641 A CN111931641 A CN 111931641A CN 202010790733 A CN202010790733 A CN 202010790733A CN 111931641 A CN111931641 A CN 111931641A
Authority
CN
China
Prior art keywords
pedestrian
neural network
convolutional neural
weight
image
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.)
Granted
Application number
CN202010790733.5A
Other languages
English (en)
Other versions
CN111931641B (zh
Inventor
邓圣衡
王鹏飞
丁长兴
李弘洋
黄家荣
陈柏伶
郭思聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010790733.5A priority Critical patent/CN111931641B/zh
Publication of CN111931641A publication Critical patent/CN111931641A/zh
Application granted granted Critical
Publication of CN111931641B publication Critical patent/CN111931641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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

Abstract

本发明公开了一种基于权重多样性正则化的行人重识别方法及其应用，该方法步骤包括：构建卷积神经网络并初始化卷积神经网络参数；图像预处理得到卷积神经网络的输入张量；采用交叉熵损失函数和三元组损失函数的同时采用权重多样性损失函数控制卷积神经网络中卷积层的权重互不相同，完成权重多样性正则化；卷积神经网络训练，提取图像中行人不同的局部特征，对每一个行人的局部特征级联成为卷积神经网络输出的特征向量，将提取到的所有行人特征向量进行距离度量，完成行人重识别。本发明提取得到的局部特征更加细致且具有更加丰富的特征数量，具有区分性更大的行人图像语义信息，实现了权重多样性正则化效果，提高了行人重识别任务的准确率。

Description

基于权重多样性正则化的行人重识别方法及其应用
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种基于权重多样性正则化的行人重识别方法及其应用。
背景技术
随着大数据时代的到来，算力资源得到不断提升，基于深度神经网络的计算机视觉技术的飞速发展与进步，行人视频监控因其可以提高公共安全水平和保障人民的人身财产安全，显得尤为重要。由于传统行人视频监控需要用到大量人力资源且效率低下，基于计算机视觉技术的行人重识别技术成为了非常有挑战性和研究价值的研究领域。与传统基于手工设计特征的行人重识别技术不同，基于深度神经网络的行人重识别技术基于梯度下降原理对网络参数进行优化，可以比传统方法提取出泛化能力更强的行人图像特征，大幅增加了行人重识别的准确率。
现有的行人重识别方法通常基于深度学习，利用了卷积神经网络提取输入网络的行人图像特征，使用交叉熵损失函数和三元组损失函数训练网络，将训练好的网络用于提取图像特征，将提取的特征进行距离度量，即特征之间的匹配，从而达到行人重识别的目的。但使用这些方法训练的网络并不能十分有效地提取行人图像特征，网络依然将注意力集中在整体的全局特征上而未考虑局部特征，而局部特征与全局特征相比，不仅具有区分性更大的行人图像语义信息，且局部特征更能满足细粒度程度大的行人重识别任务对网络提取的特征要求，故网络提取的全局特征鲁棒性不如局部特征，在进行行人之间特征匹配时性能较差。
发明内容
为了克服现有技术存在的缺陷与不足，针对现有基于深度学习的行人重识别方法无法很好利用行人局部特征，容易出现过拟合现象的缺陷，本发明提出一种基于权重多样性正则化的行人重识别方法，采用权重多样性正则化方法实现网络权重多样性，使得网络深层中存在若干权重多样的卷积层，迫使网络提取不同的局部人体特征，对网络起到正则化的效果，避免过拟合现象的发生，从而达到提高行人重识别准确率的效果。
本发明的第二目的在提供一种基于权重多样性正则化的行人重识别系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
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权重多样性正则化的行人重识别方法，包括下述步骤：
构建卷积神经网络，包括Resnet50网络、卷积层以及全连接神经网络，并初始化卷积神经网络参数；
图像预处理，得到卷积神经网络的输入张量；
采用交叉熵损失函数和三元组损失函数的同时采用权重多样性损失函数控制卷积神经网络中卷积层的权重互不相同，完成权重多样性正则化；
卷积神经网络训练，提取图像中行人不同的局部特征，对每一个行人的局部特征级联成为卷积神经网络输出的特征向量，将提取到的所有行人特征向量进行距离度量，完成行人重识别。
作为优选的技术方案，所述卷积神经网络包括：Resnet50网络、6个卷积层以及6个全连接神经网络，将Resnet50网络移除下采样。
作为优选的技术方案，所述图像预处理具体步骤包括：
将图像随机裁剪并进行设定概率的水平翻转，将随机翻转后的图像进行归一化处理得到三维张量，随机将三维张量中的部分区域设置为图像均值，然后进行随机色彩抖动处理，得到卷积神经网络的输入张量。
作为优选的技术方案，所述权重多样性正则化的步骤中，所述权重多样性损失函数通过控制卷积层的权重两两之间的距离大于设定的阈值实现卷积层权重多样性，所述权重多样性损失函数表示为：
Figure BDA0002623651950000031
其中，n表示卷积层个数，wi表示每一个卷积层的权重。
作为优选的技术方案，所述卷积神经网络训练的具体步骤包括：
卷积神经网络的卷积层输出行人图像局部特征向量，将行人图像局部特征向量级联得到输出的特征向量，将所有行人的输出特征向量计算三元组损失值，加和取平均值得到第一损失值L1；
卷积神经网络的全连接神经网络输出ID预测值，对多个ID预测值分别计算交叉熵损失值，加和取平均得到第二损失值L2；
卷积层输出各自的权重信息，对多个权重信息计算权重多样性损失值，加和取平均得到第三损失值L3；
计算总损失值L：L＝L1+L2+L3；
采用adam优化器进行优化，采用梯度下降的方式对损失值求导，更新网络参数。
作为优选的技术方案，三元组损失函数表示为：
Figure BDA0002623651950000032
交叉熵损失函数表示为：
Figure BDA0002623651950000041
权重多样性损失函数表示为：
Figure BDA0002623651950000042
其中，d表示两者之间的距离，P(yi)表示图像样本的真实分布，
Figure BDA0002623651950000043
表示卷积神经网络输出样本的预测分布，n表示卷积层个数，wi表示每一个卷积层的权重，xi表示第i类图像特征，xj表示第j类图像特征，xa表示第a类图像特征。
作为优选的技术方案，所述将提取到的所有行人特征向量进行距离度量，具体步骤包括：
将行人特征向量与公开数据集中的行人特征向量进行余弦距离计算，对计算得到的余弦距离进行排序，余弦距离最近的特征向量所对应的行人图像ID即为匹配结果。
为了到达上述第二目的，本发明采用以下技术方案：
本发明提供一种基于权重多样性正则化的行人重识别系统，包括：卷积神经网络构建模块、参数初始化模块、图像预处理模块、权重多样性正则化模块、卷积神经网络训练模块和距离度量模块；
所述卷积神经网络构建模块用于构建卷积神经网络，所述卷积神经网络包括Resnet50网络、卷积层以及全连接神经网络；
所述参数初始化模块用于初始化卷积神经网络参数；
所述图像预处理模块用于图像预处理，得到卷积神经网络的输入张量；
所述权重多样性正则化模块用于采用交叉熵损失函数和三元组损失函数的同时采用权重多样性损失函数控制卷积神经网络中卷积层的权重互不相同，完成权重多样性正则化；
所述卷积神经网络训练模块用于卷积神经网络训练，提取图像中行人不同的局部特征，对每一个行人的局部特征级联成为卷积神经网络输出的特征向量；
所述距离度量模块用于将提取到的所有行人特征向量进行距离度量，完成行人重识别。
为了达到上述第三目的，本发明采用以下技术方案：
一种存储介质，存储有程序，所述程序被处理器执行时实现上述基于权重多样性正则化的行人重识别方法。
为了达到上述第四目的，本发明采用以下技术方案：
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述基于权重多样性正则化的行人重识别方法。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明针对行人重识别任务的需求，采用多样性损失函数实现了网络权重多样性正则化，在卷积神经网络训练期间利用权重多样的深层卷积层对深度神经网络提取的行人图像特征图进行处理得到行人的不同区域的局部特征，与全局特征相比局部特征更加细致且具有更加丰富的特征数量，具有区分性更大的行人图像语义信息，实现了权重多样性正则化效果，在没有大幅增加时间与计算开销和额外人工工作量的条件下，提高了行人重识别任务的准确率。
附图说明
图1为本实施例基于权重多样性正则化的行人重识别方法的架构示意图；
图2为本实施例基于权重多样性正则化的行人重识别方法的卷积神经网络训练流程示意图；
图3为本实施例基于权重多样性正则化的行人重识别方法的特征匹配流程示意图。
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
如图1所示，本实施例提供一种基于权重多样性正则化的行人重识别方法，该方法通过使用一个卷积神经网络完成特征提取任务，采用交叉熵损失函数和三元组损失函数的同时，获得网络中多个不同的卷积层中的权重(即卷积层中的参数)，使用多样性损失函数控制网络中卷积层的权重互不相同以实现权重多样性正则化，其中，多样性损失函数对多个不同卷积层权重进行两两配对，计算权重之间的距离，作为损失值。将网络在行人重识别公开数据集上进行训练，提取图像中行人不同的局部特征，对每一个行人将其局部特征级联起来成为网络输出的特征向量，将提取到的所有行人特征向量进行距离度量，即特征匹配，实现行人重识别；
具体包括下述步骤：
构建卷积神经网络：卷积神经网络由一个Resnet50网络和紧随Resnet50的6个卷积层以及6个全连接神经网络构成，将Resnet50网络的layer4层的stride＝2改为stirde＝1，即移除下采样。Resnet50网络负责提取出行人图像的特征图，6个卷积层在权重多样性正则化方法下实现权重多样，对特征图提取不同的行人局部特征向量。
对卷积神经网络进行参数初始化：卷积神经网络由一个Resnet50网络和紧随其后的6个卷积层和6个全连接神经网络构成，在参数初始化阶段，采用在ImageNet数据集上预训练好的Resnet50网络参数对卷积神经网络中的Resnet50网络进行初始化，采用随机初始化的策略对6个卷积层和6个全连接神经网络进行参数初始化，加快网络训练速度；
进行图像预处理：将摄像机捕捉到的图像随机地裁剪成尺寸为384*128的图像，将裁剪好的图像进行概率为0.5的水平翻转，将随机翻转后的图像进行归一化处理得到三维张量，随机将三维张量中的部分区域设置为图像均值(即随机擦除原图像中的部分区域)，将经过擦除后的图像张量进行随机色彩抖动处理，减少网络对图像颜色的依赖性，得到适合神经网络处理的输入张量。
如图2所示，卷积神经网络训练步骤为：卷积神经网络在采用权重多样性正则化方法的基础上，在Adam优化器的优化下，以梯度下降的方式对损失值求导，更新网络中的参数，在行人重识别公开数据集Market1501数据集上进行网络训练，损失值通过对网络的损失函数进行计算得到。卷积神经网络训练的损失函数为交叉熵损失函数、三元组损失函数、权重多样性损失函数三个函数的和函数，将网络计算得到的6个行人图像局部特征向量级联得到网络输出的行人图像特征向量，对输入的所有行人图像特征向量，所有行人图像特征向量均由各自对应的6个行人图像局部特征向量级联而成，通过三元组损失函数计算可得到三元组损失值(三元组损失函数对一个特定的特征向量，寻找所有行人图像特征向量中离其最近和最远的两个特征向量，来计算损失值)，将6个行人局部图像特征向量分别通过6个全连接神经网络计算和softmax函数归一化计算得到图像标签预测值，将图像标签预测值和图像标签真实值通过交叉熵损失函数计算得到交叉熵损失值，将6个卷积层各自的权重通过多样性损失函数计算得到多样性损失值，三者相加可得到总的损失值。
权重多样性正则化的步骤为：卷积层权重多样性正则化通过采用权重多样性损失函数实现，多样性损失函数通过控制卷积层的权重两两之间的距离大于一个阈值实现卷积层权重多样性，对网络起到正则化的效果。
如图3所示，特征匹配的步骤为：将卷积神经网络计算得到的6个行人图像局部特征向量级联得到输出特征向量，在所有行人的网络输出特征向量之间进行余弦距离计算并排序得到匹配结果。
本实施例网络训练的损失函数细节如下：
交叉熵损失函数：设真实图像标签为yi,预测标签为
Figure BDA0002623651950000081
则可求得图像样本的真实分布P(yi)和网络输出样本的预测分布
Figure BDA0002623651950000082
总类别数为n，则交叉熵损失函数可表示为：
Figure BDA0002623651950000083
多样性损失函数：若卷积层个数为n，则对每一个卷积层的权重wi,相对熵损失函数可表示为：
Figure BDA0002623651950000084
其中d(a,b)表示a向量与b向量之间的距离，m为一常数。
三元组损失函数：设n为行人类别数，已知第i类图像特征为xi,第j类图像特征为xj,i≠j，第a类图像特征为xa,a＝i则三元组损失函数可表示为：
Figure BDA0002623651950000085
其中d(a,b)为a,b两向量之间的距离，m为一常数；
本发明是在已有基于深度学习的行人重识别方法的基础上，保留了交叉熵损失函数与三元组损失函数，创新性地使用了权重多样性正则化方法控制深度神经网络深层卷积层权重互不相同，以实现卷积层权重多样性，深度神经网络将提取到的行人图像特征图通过若干个权重多样的卷积层，这若干个权重多样(即参数互不相同)的卷积层对一张图片的响应区域互不相同且重叠区域较少，使得这些卷积层将关注图像中行人的不同部位，驱使深度神经网络提取到不同的局部人体特征，实现正则化的效果。为了使得网络深层的卷积层权重互不相同，网络训练过程中不仅仅输出各个图像的特征使用三元组和交叉熵损失函数对特征进行约束，还输出了网络深层不同卷积层的权重信息(即卷积层的参数)进行训练，创新地使用了权重多样性损失函数，对损失函数计算得到的损失值进行反向梯度计算，更新网络深层卷积层的权重，实现对深层卷积层的权重进行约束，迫使权重互不相同，使得不同的卷积层提取的行人局部特征互不相同，实现权重多样性正则化，降低过拟合现象出现的风险，从而达到提高行人重识别准确率的目的。
本实施例还提供一种基于权重多样性正则化的行人重识别系统，包括：卷积神经网络构建模块、参数初始化模块、图像预处理模块、权重多样性正则化模块、卷积神经网络训练模块和距离度量模块；
在本实施例中，卷积神经网络构建模块用于构建卷积神经网络，卷积神经网络包括Resnet50网络、卷积层以及全连接神经网络；
在本实施例中，参数初始化模块用于初始化卷积神经网络参数；
在本实施例中，图像预处理模块用于图像预处理，得到卷积神经网络的输入张量；
在本实施例中，权重多样性正则化模块用于采用交叉熵损失函数和三元组损失函数的同时采用权重多样性损失函数控制卷积神经网络中卷积层的权重互不相同，完成权重多样性正则化；
在本实施例中，卷积神经网络训练模块用于卷积神经网络训练，提取图像中行人不同的局部特征，对每一个行人的局部特征级联成为卷积神经网络输出的特征向量；
在本实施例中，距离度量模块用于将提取到的所有行人特征向量进行距离度量，完成行人重识别。
本实施例还提供一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现上述基于权重多样性正则化的行人重识别方法。
本实施例还提供一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述基于权重多样性正则化的行人重识别方法。
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 (10)

1.一种基于权重多样性正则化的行人重识别方法，其特征在于，包括下述步骤：
构建卷积神经网络，包括Resnet50网络、卷积层以及全连接神经网络，并初始化卷积神经网络参数；
图像预处理，得到卷积神经网络的输入张量；
采用交叉熵损失函数和三元组损失函数的同时采用权重多样性损失函数控制卷积神经网络中卷积层的权重互不相同，完成权重多样性正则化；
卷积神经网络训练，提取图像中行人不同的局部特征，对每一个行人的局部特征级联成为卷积神经网络输出的特征向量，将提取到的所有行人特征向量进行距离度量，完成行人重识别。
2.根据权利要求1所述的基于权重多样性正则化的行人重识别方法，其特征在于，所述卷积神经网络包括：Resnet50网络、6个卷积层以及6个全连接神经网络，将Resnet50网络移除下采样。
3.根据权利要求1所述的基于权重多样性正则化的行人重识别方法，其特征在于，所述图像预处理具体步骤包括：
将图像随机裁剪并进行设定概率的水平翻转，将随机翻转后的图像进行归一化处理得到三维张量，随机将三维张量中的部分区域设置为图像均值，然后进行随机色彩抖动处理，得到卷积神经网络的输入张量。
4.根据权利要求1所述的基于权重多样性正则化的行人重识别方法，其特征在于，所述权重多样性正则化的步骤中，所述权重多样性损失函数通过控制卷积层的权重两两之间的距离大于设定的阈值实现卷积层权重多样性，所述权重多样性损失函数表示为：
Figure FDA0002623651940000011
其中，n表示卷积层个数，wi表示每一个卷积层的权重。
5.根据权利要求1所述的基于权重多样性正则化的行人重识别方法，其特征在于，所述卷积神经网络训练的具体步骤包括：
卷积神经网络的卷积层输出行人图像局部特征向量，将行人图像局部特征向量级联得到输出的特征向量，将所有行人的输出特征向量计算三元组损失值，加和取平均值得到第一损失值L1；
卷积神经网络的全连接神经网络输出ID预测值，对多个ID预测值分别计算交叉熵损失值，加和取平均得到第二损失值L2；
卷积层输出各自的权重信息，对多个权重信息计算权重多样性损失值，加和取平均得到第三损失值L3；
计算总损失值L：L＝L1+L2+L3；
采用adam优化器进行优化，采用梯度下降的方式对损失值求导，更新网络参数。
6.根据权利要求5所述的基于权重多样性正则化的行人重识别方法，其特征在于，三元组损失函数表示为：
Figure FDA0002623651940000021
交叉熵损失函数表示为：
Figure FDA0002623651940000022
权重多样性损失函数表示为：
Figure FDA0002623651940000023
其中，d表示两者之间的距离，P(yi)表示图像样本的真实分布，
Figure FDA0002623651940000031
表示卷积神经网络输出样本的预测分布，n表示卷积层个数，wi表示每一个卷积层的权重，xi表示第i类图像特征，xj表示第j类图像特征，xa表示第a类图像特征。
7.根据权利要求1所述的基于权重多样性正则化的行人重识别方法，其特征在于，所述将提取到的所有行人特征向量进行距离度量，具体步骤包括：
将行人特征向量与公开数据集中的行人特征向量进行余弦距离计算，对计算得到的余弦距离进行排序，余弦距离最近的特征向量所对应的行人图像ID即为匹配结果。
8.一种基于权重多样性正则化的行人重识别系统，其特征在于，包括：卷积神经网络构建模块、参数初始化模块、图像预处理模块、权重多样性正则化模块、卷积神经网络训练模块和距离度量模块；
所述卷积神经网络构建模块用于构建卷积神经网络，所述卷积神经网络包括Resnet50网络、卷积层以及全连接神经网络；
所述参数初始化模块用于初始化卷积神经网络参数；
所述图像预处理模块用于图像预处理，得到卷积神经网络的输入张量；
所述权重多样性正则化模块用于采用交叉熵损失函数和三元组损失函数的同时采用权重多样性损失函数控制卷积神经网络中卷积层的权重互不相同，完成权重多样性正则化；
所述卷积神经网络训练模块用于卷积神经网络训练，提取图像中行人不同的局部特征，对每一个行人的局部特征级联成为卷积神经网络输出的特征向量；
所述距离度量模块用于将提取到的所有行人特征向量进行距离度量，完成行人重识别。
9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7任一项所述的基于权重多样性正则化的行人重识别方法。
10.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的基于权重多样性正则化的行人重识别方法。
CN202010790733.5A 2020-08-07 2020-08-07 基于权重多样性正则化的行人重识别方法及其应用 Active CN111931641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010790733.5A CN111931641B (zh) 2020-08-07 2020-08-07 基于权重多样性正则化的行人重识别方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010790733.5A CN111931641B (zh) 2020-08-07 2020-08-07 基于权重多样性正则化的行人重识别方法及其应用

Publications (2)

Publication Number Publication Date
CN111931641A true CN111931641A (zh) 2020-11-13
CN111931641B CN111931641B (zh) 2023-08-22

Family

ID=73307051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010790733.5A Active CN111931641B (zh) 2020-08-07 2020-08-07 基于权重多样性正则化的行人重识别方法及其应用

Country Status (1)

Country Link
CN (1) CN111931641B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990144A (zh) * 2021-04-30 2021-06-18 德鲁动力科技(成都)有限公司 一种用于行人重识别的数据增强方法及系统
CN113537032A (zh) * 2021-07-12 2021-10-22 南京邮电大学 一种基于图片分块丢弃的分集多支路行人重识别方法
CN114612927A (zh) * 2020-12-09 2022-06-10 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
CN114821629A (zh) * 2021-01-27 2022-07-29 天津大学 一种基于神经网络并行训练架构进行交叉图像特征融合的行人重识别方法
CN114842425A (zh) * 2022-07-04 2022-08-02 西安石油大学 用于石油化工工艺的异常行为识别方法及电子设备
WO2023272994A1 (zh) * 2021-06-29 2023-01-05 苏州浪潮智能科技有限公司 基于深度学习网络的行人重识别方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784182A (zh) * 2018-12-17 2019-05-21 北京飞搜科技有限公司 行人重识别方法和装置
CN109784166A (zh) * 2018-12-13 2019-05-21 北京飞搜科技有限公司 行人重识别的方法及装置
CN109886998A (zh) * 2019-01-23 2019-06-14 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机装置及计算机存储介质
CN110110642A (zh) * 2019-04-29 2019-08-09 华南理工大学 一种基于多通道注意力特征的行人重识别方法
CN110232971A (zh) * 2019-05-24 2019-09-13 深圳市翩翩科技有限公司 一种医生推荐方法及装置
CN110738146A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种目标重识别神经网络及其构建方法和应用
CN111368660A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种单阶段半监督图像人体目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784166A (zh) * 2018-12-13 2019-05-21 北京飞搜科技有限公司 行人重识别的方法及装置
CN109784182A (zh) * 2018-12-17 2019-05-21 北京飞搜科技有限公司 行人重识别方法和装置
CN109886998A (zh) * 2019-01-23 2019-06-14 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机装置及计算机存储介质
CN110110642A (zh) * 2019-04-29 2019-08-09 华南理工大学 一种基于多通道注意力特征的行人重识别方法
CN110232971A (zh) * 2019-05-24 2019-09-13 深圳市翩翩科技有限公司 一种医生推荐方法及装置
CN110738146A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种目标重识别神经网络及其构建方法和应用
CN111368660A (zh) * 2020-02-25 2020-07-03 华南理工大学 一种单阶段半监督图像人体目标检测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612927A (zh) * 2020-12-09 2022-06-10 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
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
CN114821629A (zh) * 2021-01-27 2022-07-29 天津大学 一种基于神经网络并行训练架构进行交叉图像特征融合的行人重识别方法
CN112990144A (zh) * 2021-04-30 2021-06-18 德鲁动力科技(成都)有限公司 一种用于行人重识别的数据增强方法及系统
CN112990144B (zh) * 2021-04-30 2021-08-17 德鲁动力科技(成都)有限公司 一种用于行人重识别的数据增强方法及系统
WO2023272994A1 (zh) * 2021-06-29 2023-01-05 苏州浪潮智能科技有限公司 基于深度学习网络的行人重识别方法、装置、设备及介质
US11810388B1 (en) 2021-06-29 2023-11-07 Inspur Suzhou Intelligent Technology Co., Ltd. Person re-identification method and apparatus based on deep learning network, device, and medium
CN113537032A (zh) * 2021-07-12 2021-10-22 南京邮电大学 一种基于图片分块丢弃的分集多支路行人重识别方法
CN113537032B (zh) * 2021-07-12 2023-11-28 南京邮电大学 一种基于图片分块丢弃的分集多支路行人重识别方法
CN114842425A (zh) * 2022-07-04 2022-08-02 西安石油大学 用于石油化工工艺的异常行为识别方法及电子设备
CN114842425B (zh) * 2022-07-04 2022-09-20 西安石油大学 用于石油化工工艺的异常行为识别方法及电子设备

Also Published As

Publication number Publication date
CN111931641B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN111931641A (zh) 基于权重多样性正则化的行人重识别方法及其应用
WO2019228358A1 (zh) 深度神经网络的训练方法和装置
CN107229904B (zh) 一种基于深度学习的目标检测与识别方法
WO2019228317A1 (zh) 人脸识别方法、装置及计算机可读介质
WO2021022521A1 (zh) 数据处理的方法、训练神经网络模型的方法及设备
CN112131978B (zh) 一种视频分类方法、装置、电子设备和存储介质
CN113158862B (zh) 一种基于多任务的轻量级实时人脸检测方法
CN111259827B (zh) 一种面向城市河道监管的水面漂浮物自动检测方法及装置
CN111178208A (zh) 基于深度学习的行人检测方法、装置及介质
CN112150493A (zh) 一种基于语义指导的自然场景下屏幕区域检测方法
CN111723822B (zh) 一种基于多层次融合的rgbd图像显著性检测方法及系统
CN113111814B (zh) 基于正则化约束的半监督行人重识别方法及装置
CN114037838A (zh) 神经网络的训练方法、电子设备及计算机程序产品
WO2022156475A1 (zh) 神经网络模型的训练方法、数据处理方法及装置
CN113673505A (zh) 实例分割模型的训练方法、装置、系统及存储介质
CN114462290A (zh) 一种生成预训练人工智能模型的方法及装置
CN113283320A (zh) 一种基于通道特征聚合的行人重识别方法
CN111104911A (zh) 一种基于大数据训练的行人重识别方法及装置
CN117079095A (zh) 基于深度学习的高空抛物检测方法、系统、介质和设备
CN116645694A (zh) 基于动态自进化信息抽取和对齐的文本-目标检索方法
CN114913339A (zh) 特征图提取模型的训练方法和装置
Kim et al. Ultra-lightweight face activation for dynamic vision sensor with convolutional filter-level fusion using facial landmarks
CN114937289B (zh) 一种基于异构伪标签学习的跨域行人检索方法
CN117576149A (zh) 一种基于注意力机制的单目标跟踪方法
CN116110074A (zh) 一种基于图神经网络的动态小股行人识别方法

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