CN112084998A - 一种基于属性信息辅助的行人再识别方法 - Google Patents

一种基于属性信息辅助的行人再识别方法 Download PDF

Info

Publication number
CN112084998A
CN112084998A CN202011001668.XA CN202011001668A CN112084998A CN 112084998 A CN112084998 A CN 112084998A CN 202011001668 A CN202011001668 A CN 202011001668A CN 112084998 A CN112084998 A CN 112084998A
Authority
CN
China
Prior art keywords
attribute
pedestrian
network
layer
branch
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
Application number
CN202011001668.XA
Other languages
English (en)
Inventor
易珂
徐晓刚
刘静
管慧艳
龚心满
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.)
Hangzhou Yunqi Smart Vision Technology Co Ltd
Original Assignee
Hangzhou Yunqi Smart Vision Technology Co Ltd
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 Hangzhou Yunqi Smart Vision Technology Co Ltd filed Critical Hangzhou Yunqi Smart Vision Technology Co Ltd
Priority to CN202011001668.XA priority Critical patent/CN112084998A/zh
Publication of CN112084998A publication Critical patent/CN112084998A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于属性信息辅助的行人再识别方法，包括如下步骤：S1：在ID维度上标注行人属性；S2：构建行人重识别深度学习网络模型：包括骨干网络、ID分支网络以及属性分支网络，骨干网络作为ID分支网络以及属性分支网络的输入，其中ID分支网络输出行人全局特征向量并预测行人ID，属性分支网络输出属性特征向量并预测行人属性；S3：构建损失函数；S4：准备训练数据集，进行行人重识别深度学习模型训练；S5:提取被查询图像特征；S6：计算被查询图像与图库图像特征之间的相似度。本发明增加属性以学习更多区分性特征表示，结构化行人特征，补充行人身份标签信息，提高行人辨识度，辅助行人再识别，优化行人重识别排序结果。

Description

一种基于属性信息辅助的行人再识别方法
技术领域
本发明属于行人再识别技术领域，具体涉及一种基于属性信息辅助的行人再识别方法。
背景技术
行人再识别是指通过目标人物的查询图像检索不同摄像头下目标是否出现的识别过程。在安防监控领域，由于摄像头的角度、距离、光照、遮挡、复杂环境等客观因素影响了人脸识别的有效性，行人重识别技术补充了传统人脸识别在智能监控上的缺陷。随着深度学习的快速发展，行人再识别方面的研究也取得了突破，普遍的方法是利用深度学习模型提取目标行人的全局特征进行相似度计算得到排序结果。其中存在的问题是，忽略了行人身份信息与行人属性信息的互补关系，导致全局特征缺少特定于行人的局部属性描述，排序结果出现属性差异大的现象。
发明内容
本发明的目的在于提供一种基于属性信息辅助的行人再识别方法。
为实现上述目的，本发明提供如下技术方案：
一种基于属性信息辅助的行人再识别方法，包括如下步骤：
S1：在ID维度上标注行人属性；
S2：构建行人重识别深度学习网络模型：包括骨干网络、ID分支网络以及属性分支网络，骨干网络作为ID分支网络以及属性分支网络的输入，其中ID分支网络输出行人全局特征向量并预测行人ID，属性分支网络输出属性特征向量并预测行人属性；
S3：构建损失函数；
S4：准备训练数据集，进行行人重识别深度学习模型训练；
S5:提取被查询图像特征；
S6：计算被查询图像与图库图像特征之间的相似度；
S7：根据相似度得分进行排序得到识别结果。
进一步的，所述行人属性包括性别、年龄段、是否戴帽、头发长度、上衣袖子长度、上衣颜色、下衣类型、下衣长度、下衣颜色、携带包类型，并将多标签属性转为二值标签属性。
进一步的，所述骨干网络采用resnet结构。
进一步的，骨干网络resnet的conv4_x输出作为ID分支网络的输入，所述ID分支网络：包括的网络层结构有全局平均池化层、BatchNorm层、全连接层，其中BatchNorm层输出作为行人全局特征向量，全连接层预测行人ID。
进一步的，骨干网络resnet的conv4_x输出作为属性分支网络的输入，属性分支网络包括conv5_x模块、全局平均池化层、全连接层、sigmoid层，其中全局平均池化层输出为深层属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层,sigmoid层进行属性得分预测。
进一步的，还包括浅层属性特征网络：提取属性相关浅层特征，骨干网络resnet的conv3_x输出作为浅层属性分支网络的输入，经过全局平均池化层、降维卷积层输出浅层属性特征向量；
深层属性特征网络，提取深层属性特征，骨干网络resnet的conv4_x输出作为深层属性分支网络的输入，深层属性分支网络包括conv5_x模块、全局平均池化层、降维卷积层，其中降维卷积层输出为深层属性特征向量；
属性分类网络，将浅层属性特征与深层属性特征进行拼接形成属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层，sigmoid层得到属性评分预测向量。
进一步的，构建损失函数，ID分支网络采用triplet损失和softmax交叉熵进行训练；属性分支网络利用triplet loss和focal loss损失函数分别对属性特征向量、属性评分预测向量进行约束，属性分支损失为Latt t ri和Lattfocal，深度学习模型总损失L：
L＝Lid_tri+Lid_ce+Latt_tri+Latt_focal。
进一步的，步骤S6中利用人重识别深度学习模型对行人图像进行特征提取，ID分支网络输出2048维行人全局特征向量并进行归一化处理得到idfeature，属性分支输出33维属性得分向量attscore。
进一步的，步骤S7相似度计算步骤如下：
(3)计算欧式距离并归一化映射到[0，1]，其中α∈[0，1]为平衡特征的权重：
Figure BDA0002694550350000031
(4)将归一化后的距离转化为相似度得分：
Figure BDA0002694550350000032
与现有技术相比，本发明的有益效果是：本发明增加属性以学习更多区分性特征表示，结构化行人特征，补充行人身份标签信息，提高行人辨识度，辅助行人再识别，优化行人重识别排序结果。
附图说明
图1为本发明的整体流程结构图。
图2为本发明实施例中提及的第一种行人重识别深度学习网络。
图3为本发明实施例中提及的第二种行人重识别深度学习网络。
图4为本发明实施例提及的属性分支网络的结构示意图。
图5是本发明实施例中提及的一个应用例。
图6是本发明实施例中提及的另一个应用例。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提出一种基于属性信息辅助的行人再识别方法，具体步骤如下：
步骤1：在ID维度上标注行人属性，所诉行人属性包括性别(男性/女性)、年龄段(儿童/青少年/成人/老人)、是否戴帽(戴/不戴)、头发长度(短发/长发)、上衣袖子长度(短袖/长袖)、上衣颜色(黑/白/粉/红/黄/绿/蓝/紫/灰/棕)、下衣类型(裤装/裙装)、下衣长度(短/长)、下衣颜色(黑/白/粉/红/黄/绿/蓝/紫/灰/棕)、携带包类型(手提包/背包/无)共10个属性大类别，且将多标签属性转为二值标签属性。
步骤2：构建行人重识别深度学习网络模型，包括骨干网络、ID分支网络、属性分支网络三个部分。其中骨干网络采用resnet结构，ID分支网络和属性分支网络共享骨干网络resnet的conv4_x以前的网络参数，具体结构见图1。
具体的：ID分支网络，预测行人身份类别，骨干网络resnet的conv4_x输出作为ID分支网络的输入，包括的网络层结构有全局平均池化层、BatchNorm层、全连接层，其中BatchNorm层输出作为行人全局特征向量，全连接层预测行人ID。
属性分支网络，预测深层语义属性，参照图2所示，骨干网络resnet的conv4_x输出作为属性分支网络的输入，属性分支网络包括conv5_x模块、全局平均池化层、全连接层、sigmoid层，其中全局平均池化层输出为深层属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层，分别对应8维全局属性(性别、年龄段、携带包类型)、2维头部属性(是否戴帽、头发长度)、11维上半身属性(上衣袖子长度、上衣颜色)和12维下半身属性(下衣类型、下衣长度、下衣颜色)，通过sigmoid层进行属性得分预测，具体结构见图4；
在本实施例的另一个优选方案，参照图3所示：
(1)ID分支网络，预测行人身份类别，骨干网络resnet的conv4_x输出作为ID分支网络的输入，包括的网络层结构有全局平均池化层、BatchNorm层、全连接层，其中BatchNorm层输出作为行人全局特征向量，全连接层预测行人ID。
(2)浅层属性特征网络，提取属性相关浅层特征，骨干网络resnet的conv3_x输出作为浅层属性分支网络的输入，经过全局平均池化层、降维卷积层输出浅层属性特征向量；
(3)深层属性特征网络，提取深层属性特征，骨干网络resnet的conv4_x输出作为深层属性分支网络的输入，深层属性分支网络包括conv5_x模块、全局平均池化层、降维卷积层，其中降维卷积层输出为深层属性特征向量；
(4)属性分类网络，将浅层属性特征与深层属性特征进行拼接形成属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层，分别对应8维全局属性(性别、年龄段、携带包类型)、2维头部属性(是否戴帽、头发长度)、11维上半身属性(上衣袖子长度、上衣颜色)和12维下半身属性(下衣类型、下衣长度、下衣颜色)，通过sigmoid层得到属性评分预测向量，具体结构见图4。
值得一提的是：图3与图2模型结构相比较，将属性分支网络分为深层特征网络和浅层特征网络，实际上是添加了浅层特征网络。由于网络不同层次不同尺度所包含信息具有差异性，且随着深度网络的加深会丢失部分信息，如深层提取的特征有更强的语义信息表征能力但缺失几何细节，需浅层特征进行补充。考虑到以上因素，对图2进行了模型优化，即图3结构提取多层次特征并进行多尺度特征融合，来增强属性分支；
以Market-1501中query数据集中的id号0182为例，分别使用两个模型进行特征提取、距离计算以及排序。其中图5对应图2模型，图6对应图3模型，首张图为查询图像，编号1至10为排序前十行人。对比结果，图3模型添加浅层特征后，对背包的形状和类型、衣服的颜色等有更准确的判断，表明浅层特征与深层特征进行融合后有更丰富的信息表达。
步骤3：构建损失函数，ID分支网络采用triplet损失和softmax交叉熵进行训练；属性分支网络利用triplet loss和focal loss损失函数分别对属性特征向量、属性评分预测向量进行约束，属性分支损失为Latt t ri和Lattfocal，深度学习模型总损失L：
L＝Lid_tri+Lid_ce+Latt_tri+Latt_focal。
步骤4行人重识别深度学习模型训练。
步骤5利用训练出的行人重识别模型对行人图像进行特征提取，ID分支网络输出2048维行人全局特征向量并进行归一化处理得到idfeature，属性分支输出33维属性评分预测向量attscore。同时通过属性评分预测出行人属性，结构化行人特征。在缺少查询图像但有目标相关属性语义描述时，通过比较目标属性与图库图像属性得分向量进行目标行人筛选。
步骤6，计算查询图像与图库图像特征之间的相似度：
计算欧式距离并归一化映射到[0，1]，其中α∈[0，1]为平衡特征的权重：
Figure BDA0002694550350000061
将归一化后的距离转化为相似度得分：
Figure BDA0002694550350000071
步骤7，根据相似度得分对图库图像进行排序，得到最终结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于属性信息辅助的行人再识别方法，其特征在于：包括如下步骤：
S1：在ID维度上标注行人属性；
S2：构建行人重识别深度学习网络：包括骨干网络、ID分支网络以及属性分支网络，骨干网络作为ID分支网络以及属性分支网络的输入，其中ID分支网络输出行人全局特征向量并预测行人ID，属性分支网络输出属性特征向量并预测行人属性；
S3：构建损失函数，深度学习模型总损失为ID损失与属性损失的和；
S4：准备训练数据集，进行行人重识别深度学习模型训练；
S5:提取被查询图像特征；
S6：计算被查询图像与图库图像特征之间的相似度；
S7：根据相似度得分进行排序得到识别结果。
2.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：所述行人属性包括性别、年龄段、是否戴帽、头发长度、上衣袖子长度、上衣颜色、下衣类型、下衣长度、下衣颜色、携带包类型，并将多标签属性转为二值标签属性。
3.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：所述骨干网络采用resnet结构。
4.如权利要求3所述的一种基于属性信息辅助的行人再识别方法，其特征在于：骨干网络resnet的conv4_x输出作为ID分支网络的输入，所述ID分支网络：包括的网络层结构有全局平均池化层、BatchNorm层、全连接层，其中BatchNorm层输出作为行人全局特征向量，全连接层预测行人ID。
5.如权利要求3所述的一种基于属性信息辅助的行人再识别方法，其特征在于：骨干网络resnet的conv4_x输出作为属性分支网络的输入，属性分支网络包括conv5_x模块、全局平均池化层、全连接层、sigmoid层，其中全局平均池化层输出为深层属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层,sigmoid层进行属性得分预测。
6.如权利要求3所述的一种基于属性信息辅助的行人再识别方法，其特征在于：还包括浅层属性特征网络：提取属性相关浅层特征，骨干网络resnet的conv3_x输出作为浅层属性分支网络的输入，经过全局平均池化层、降维卷积层输出浅层属性特征向量；
深层属性特征网络，提取深层属性特征，骨干网络resnet的conv4_x输出作为深层属性分支网络的输入，深层属性分支网络包括conv5_x模块、全局平均池化层、降维卷积层，其中降维卷积层输出为深层属性特征向量；
属性分类网络，将浅层属性特征与深层属性特征进行拼接形成属性特征向量，后连接四个全连接分支，每个全连接分支后连接各身体部位属性预测全连接层，sigmoid层得到属性评分预测向量。
7.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：构建损失函数，ID分支网络采用triplet损失和softmax交叉熵进行训练；属性分支网络利用tripletloss和focalloss损失函数分别对属性特征向量、属性评分预测向量进行约束，属性分支损失为Latt_tri和Lattfocal，深度学习模型总损失L：
L＝Lid_tri+Lid_ce+Latt_tri+Latt_focal。
8.如权利要求1所述的一种基于属性信息辅助的行人再识别方法，其特征在于：步骤S6中利用人重识别深度学习模型对行人图像进行特征提取，ID分支网络输出2048维行人全局特征向量并进行归一化处理得到id_feature，属性分支输出33维属性得分向量att_score。
9.如权利要求8所述的一种基于属性信息辅助的行人再识别方法，其特征在于：步骤S7相似度计算步骤如下：
(1)计算欧式距离并归一化映射到[0,1]，其中α∈[0，1]为平衡特征的权重：
Figure FDA0002694550340000031
(2)将归一化后的距离转化为相似度得分：
Figure FDA0002694550340000032
CN202011001668.XA 2020-09-22 2020-09-22 一种基于属性信息辅助的行人再识别方法 Pending CN112084998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011001668.XA CN112084998A (zh) 2020-09-22 2020-09-22 一种基于属性信息辅助的行人再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011001668.XA CN112084998A (zh) 2020-09-22 2020-09-22 一种基于属性信息辅助的行人再识别方法

Publications (1)

Publication Number Publication Date
CN112084998A true CN112084998A (zh) 2020-12-15

Family

ID=73739513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011001668.XA Pending CN112084998A (zh) 2020-09-22 2020-09-22 一种基于属性信息辅助的行人再识别方法

Country Status (1)

Country Link
CN (1) CN112084998A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613474A (zh) * 2020-12-30 2021-04-06 珠海大横琴科技发展有限公司 一种行人重识别的方法和装置
CN115809982A (zh) * 2022-08-08 2023-03-17 宁德时代新能源科技股份有限公司 电芯压伤检测方法、装置及系统
CN117173476A (zh) * 2023-09-05 2023-12-05 北京交通大学 一种单源域泛化行人再识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110852276A (zh) * 2019-11-12 2020-02-28 智慧视通(杭州)科技发展有限公司 一种基于多任务深度学习的行人再识别方法
CN111274922A (zh) * 2020-01-17 2020-06-12 山东师范大学 基于多层次深度学习网络的行人重识别方法及系统
CN111553213A (zh) * 2020-04-17 2020-08-18 大连理工大学 移动边缘云中实时分布式的身份感知行人属性识别方法
CN111666843A (zh) * 2020-05-25 2020-09-15 湖北工业大学 一种基于全局特征和局部特征拼接的行人重识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110852276A (zh) * 2019-11-12 2020-02-28 智慧视通(杭州)科技发展有限公司 一种基于多任务深度学习的行人再识别方法
CN111274922A (zh) * 2020-01-17 2020-06-12 山东师范大学 基于多层次深度学习网络的行人重识别方法及系统
CN111553213A (zh) * 2020-04-17 2020-08-18 大连理工大学 移动边缘云中实时分布式的身份感知行人属性识别方法
CN111666843A (zh) * 2020-05-25 2020-09-15 湖北工业大学 一种基于全局特征和局部特征拼接的行人重识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUANSHUO WANG,YUFENG YUAN,XIONG CHEN,JIWEI LI,XI ZHOU: "《Learning Discriminative Features with Multiple Granularities for Person Re-Identification》", 《PROCEEDINGS OF THE 26TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613474A (zh) * 2020-12-30 2021-04-06 珠海大横琴科技发展有限公司 一种行人重识别的方法和装置
CN115809982A (zh) * 2022-08-08 2023-03-17 宁德时代新能源科技股份有限公司 电芯压伤检测方法、装置及系统
CN115809982B (zh) * 2022-08-08 2023-12-01 宁德时代新能源科技股份有限公司 电芯压伤检测方法、装置及系统
CN117173476A (zh) * 2023-09-05 2023-12-05 北京交通大学 一种单源域泛化行人再识别方法
CN117173476B (zh) * 2023-09-05 2024-05-24 北京交通大学 一种单源域泛化行人再识别方法

Similar Documents

Publication Publication Date Title
Li et al. Person search with natural language description
CN111639544B (zh) 基于多分支跨连接卷积神经网络的表情识别方法
CN112084998A (zh) 一种基于属性信息辅助的行人再识别方法
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
CN110033007B (zh) 基于深度姿态预估和多特征融合的行人衣着属性识别方法
CN108268859A (zh) 一种基于深度学习的人脸表情识别方法
CN112001353B (zh) 一种基于多任务联合监督学习的行人再识别方法
CN110852276B (zh) 一种基于多任务深度学习的行人再识别方法
Joo et al. Human attribute recognition by rich appearance dictionary
CN108564012B (zh) 一种基于人体特征分布的行人解析方法
CN112036276B (zh) 一种人工智能视频问答方法
CN111597870A (zh) 一种基于注意力机制与多任务学习的人体属性识别方法
CN112131970A (zh) 一种基于多通道时空网络和联合优化损失的身份识别方法
CN111860193B (zh) 一种基于文本的行人检索自监督视觉表示学习系统及方法
CN113963032A (zh) 一种融合目标重识别的孪生网络结构目标跟踪方法
CN114548256A (zh) 一种基于对比学习的小样本珍稀鸟类识别方法
CN111582154A (zh) 基于多任务骨架姿态划分部件的行人重识别方法
CN116311377A (zh) 基于图像内与图像间关系的换衣行人重识别方法和系统
CN112669343A (zh) 一种基于深度学习的壮族少数民族服饰分割方法
CN113420697B (zh) 基于表观和形状特征的换装视频行人重识别方法及系统
Wang et al. Pedestrian recognition in multi-camera networks based on deep transfer learning and feature visualization
CN114529944B (zh) 一种结合人体关键点热图特征的人像景别识别方法
CN112069908B (zh) 基于共现属性的行人重识别方法
CN115082963A (zh) 人体属性识别模型训练及人体属性识别方法、相关装置
Srininvas et al. A framework to recognize the sign language system for deaf and dumb using mining techniques

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215