CN112560932A - 一种基于双分支网络特征融合的车辆重识别方法 - Google Patents
一种基于双分支网络特征融合的车辆重识别方法 Download PDFInfo
- Publication number
- CN112560932A CN112560932A CN202011451893.3A CN202011451893A CN112560932A CN 112560932 A CN112560932 A CN 112560932A CN 202011451893 A CN202011451893 A CN 202011451893A CN 112560932 A CN112560932 A CN 112560932A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- branch
- model
- images
- feature vector
- 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 29
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/04—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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (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
本发明提供了一种基于双分支网络融合的车辆重识别方法,包括:采集若干车辆图像组成数据集,对其ID信息进行标注,然后划分成训练集和测试集;构建基于双分支网络特征融合的车辆重识别模型;利用训练集对所述模型进行训练得到训练好的模型并保存;将待检索的车辆图像输入训练好的模型,得到待检索车辆的特征;将待检索车辆图像的特征与测试集中车辆图像进行比较,通过相似性度量对匹配结果进行排序。此方法通过使用两个分支和批处理擦除策略提取和融合全局特征和局部特征,突出了车辆图像的类内相似性和类间相似性,同时采用圆损失构造目标函数,能够灵活地优化类内相似度和类间相似度,获得了良好的性能,提高了车辆重识别检索的效率和精确性。
Description
技术领域
本发明涉及一种车辆重识别方法,尤其涉及一种基于双分支网络特征融合的车辆重识别方法,属于图像、视频大数据智能检索技术领域。
背景技术
近年来,智慧城市和智慧交通发展迅速,车辆是智慧交通的组成部分,车辆重识别是智慧交通的核心技术之一。给定一个查询的车辆图像,车辆重识别旨在通过多个非重叠的摄像机检索到同一车辆的所有图像。通过无处不在的监控网络,车辆重识别系统能够快速的获取目标车辆在城市中的位置、时间,在车辆重识别系统的协助下,通过多个摄像头,目标车辆能够被自动检测、定位和追踪,这大大节省了劳动力和成本。此外,车辆重识别系统有很多实际的应用,如智能停车、可疑车辆跟踪、车辆计数和自动化充电等。因此,车辆重识别技术对智慧城市和智慧交通的建设至关重要。
以往的工作大多依赖于各种非视觉传感器的方法,基于传感器的方法是最早的车辆重识别方法,这类方法需要传感器和其他线索相结合使用,随着新兴传感器的兴起,如全球定位(GPS)、无线射频识别(RFID)等,研究人员探索了一些新的方法用于解决车辆重识别问题,但是这类方法需要大量的硬件设备,从而需要大量的硬件成本,而且对环境变化非常敏感。
由于监控系统的广泛应用,人们对基于视觉的车辆重识别越来越关注,基于视觉的方法可以分为两类:基于人工设计特征的方法和基于深度特征的方法,基于人工设计的方法不需要额外的硬件设备,利用了图像中固有的属性,只需要一些特征设计手段对车辆图像进行表达,这类方法耗时而且效果不好,泛化能力比较差。
与传统的机器学习方法不同,深度卷积网络通过引入隐藏层来学习高级特征,以此来提高泛化能力。基于深度学习的方法比以往的方法获得了更高的精度,不仅在目标再识别任务上取得良好的性能,还可以推广到其他计算机视觉任务上。基于深度学习的方法能够较好的克服光照变化和视角变化带来的影响,比以往的方法获得了更高的精度,在现实场景中表现的很好,依旧会是车辆重识别研究领域的热点。
但是大多数的方法都只是关注全局特征,而在区分视觉相似的车辆方面就不是很有效,相反,局部特征会包含更多的鉴别信息。所以在关注全局特征的同时,也需要通过视觉特征捕获细微的特征差异,因此应该融合全局和局部特征进行车辆重识别。
发明内容
本发明目的是提供了一种利用双分支网络特征融合的车辆重识别方法,通过使用两个分支和批擦除策略提取和融合全局特征和局部特征,利用圆损失项优化目标函数,从而能够获得更优的特征表示,使得最终对车辆的检索有很高的精确性。
本发明为实现上述目的,通过以下技术方案实现:
(1)采集若干张车辆图像,组成车辆重识别数据库,标注车辆图像的ID信息,并划分成训练集和测试集;
(2)建立基于双分支网络特征融合的车辆重识别模型,具体包括以下步骤:
①选择ResNet-50作为主干网络,其中去除ResNet-50第三阶段和第四阶段之间的下采样操作,然后将其修改为两个分支网络,包括:1)全局分支;2)局部分支;
②在全局分支中,首先将全局平均池化(GAP)应用于从ResNet-50第四阶段获得的特征图,以获得高维特征向量;然后,使用降维模块将该特征向量的维数进行降维;最后,使用得到的低维特征向量作为全局特征向量;
③在局部分支中,首先将从ResNet-50第四阶段提取的特征图输入到ResNet-50的bottleneck block中,应用BDB策略在批处理中随机擦除相同区域的特征图;
④得到一个新的特征图;将GMP应用于新的特征图,得到了一个高维特征向量;在局部分支中也使用了和全局分支相同的降维模块以获得低维特征向量;最后,使用得到的低维特征向量作为局部特征;
⑤将全局分支和局部分支的特征连接成为车辆图像的特征向量;
(3)用圆损失项优化模型的目标函数;
(4)利用训练集对所述模型进行训练得到训练好的模型并保存;
(5)将待检索的车辆图像输入训练好的模型,得到待检索车辆的特征;
(6)将待检索车辆图像的特征与测试集中车辆图像特征进行比较,通过相似性度量对匹配结果进行排序。
优选的,所述步骤(3)所述的用圆损失函数优化目标函数,是模型优化目标函数采用圆损失项,同时使用分类任务和度量学习任务来训练模型;
优选的,所述步骤(4)的具体步骤为:
将采集到的车辆图像人工标记ID信息后,利用建立的车辆重识别模型,用采集到的车辆图像对其进行训练,得到训练好的重识别模型,对车辆图像进行特征提取。
本发明的优点在于:本发明使用圆损失项代替传统的三元组损失和交叉熵损失的组合组建优化目标函数,圆损失项在车辆重识别中能够同时对应于分类任务和度量学习任务,能够灵活地优化类内相似度和类间相似度,允许每个相似度得分根据优化的状态去选择优化的权重,从而能够获得良好的性能,提高车辆检索的效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1是本发明实施例中基于双分支网络特征融合的车辆重识别方法示意图。
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。
一种基于双分支网络特征融合的车辆重识别方法,步骤包括:
(1)采集若干张车辆图像,组成车辆重识别数据库,标注车辆图像的ID信息,并划分成训练集和测试集。
(2)建立基于双分支网络特征融合的车辆重识别模型:
①选择ResNet-50作为主干网络,其中去除ResNet-50第三阶段和第四阶段之间的下采样操作,然后将其修改为两个分支网络,包括:1)全局分支;2)局部分支。
②在全局分支中,首先将全局平均池化(GAP)应用于从ResNet-50第四阶段获得的特征图,以获得高维特征向量。然后,使用降维模块将该特征向量的维数进行降维。最后,使用得到的低维特征向量作为全局特征向量。
③在局部分支中,首先将从ResNet-50第四阶段提取的特征图输入到ResNet-50的bottleneck block中,应用BDB策略在批处理中随机擦除相同区域的特征图。
④上述过程之后,得到一个新的特征图;随后,将GMP应用于新的特征图,得到了一个高维特征向量。在局部分支中也使用了和全局分支相同的降维模块以获得低维特征向量。最后,使用得到的低维特征向量作为局部特征。
⑤最后将全局分支和局部分支的特征连接成为车辆图像的特征向量。
(3)用圆损失项优化模型的目标函数;
(4)利用训练集对所述模型进行训练得到训练好的模型并保存;
(5)将待检索的车辆图像输入训练好的模型,得到待检索车辆的特征;
(6)将待检索车辆图像的特征与测试集中车辆图像特征进行比较,通过相似性度量对匹配结果进行排序。
进一步的,所述的用圆损失函数优化模型的目标函数,是模型优化目标函数采用圆损失项,同时使用分类任务和度量学习任务来训练模型。
进一步的,所述训练建立的车辆重识别模型步骤包括:
将采集到的车辆图像人工标记ID信息后,利用建立的车辆重识别模型,用采集到的车辆图像对其进行训练,得到训练好的重识别模型,此时便可以对车辆图像进行特征提取。
Claims (3)
1.一种基于双分支网络特征融合的车辆重识别方法,其特征在于,包括以下步骤:
(1)采集若干张车辆图像,组成车辆重识别数据库,标注车辆图像的ID信息,并划分成训练集和测试集;
(2)建立基于双分支网络特征融合的车辆重识别模型,具体包括以下步骤:
①选择ResNet-50作为主干网络,其中去除ResNet-50第三阶段和第四阶段之间的下采样操作,然后将其修改为两个分支网络,包括:1)全局分支;2)局部分支;
②在全局分支中,首先将全局平均池化(GAP)应用于从ResNet-50第四阶段获得的特征图,以获得高维特征向量;然后,使用降维模块将该特征向量的维数进行降维,使用得到的低维特征向量作为全局特征向量;
③在局部分支中,首先将从ResNet-50第四阶段提取的特征图输入到ResNet-50的bottleneck block中,应用BDB策略在批处理中随机擦除相同区域的特征图;
④得到一个新的特征图;将GMP应用于新的特征图,得到了一个高维特征向量;在局部分支中也使用了和全局分支相同的降维模块以获得低维特征向量;最后,使用得到的低维特征向量作为局部特征;
⑤将全局分支和局部分支的特征连接成为车辆图像的特征向量;
(3)用圆损失项优化模型的目标函数;
(4)利用训练集对所述模型进行训练得到训练好的模型并保存;
(5)将待检索的车辆图像输入训练好的模型,得到待检索车辆的特征;
(6)将待检索车辆图像的特征与测试集中车辆图像特征进行比较,通过相似性度量对匹配结果进行排序。
3.如权利要求1所述的基于双分支网络特征融合的车辆重识别方法,其特征在于,所述步骤4的具体步骤为:
将采集到的车辆图像人工标记ID信息后,利用建立的车辆重识别模型,用采集到的车辆图像对其进行训练,得到训练好的重识别模型,对车辆图像进行特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451893.3A CN112560932A (zh) | 2020-12-10 | 2020-12-10 | 一种基于双分支网络特征融合的车辆重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451893.3A CN112560932A (zh) | 2020-12-10 | 2020-12-10 | 一种基于双分支网络特征融合的车辆重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560932A true CN112560932A (zh) | 2021-03-26 |
Family
ID=75061781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011451893.3A Pending CN112560932A (zh) | 2020-12-10 | 2020-12-10 | 一种基于双分支网络特征融合的车辆重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560932A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN113221530A (zh) * | 2021-04-19 | 2021-08-06 | 杭州火石数智科技有限公司 | 一种基于circle loss的文本相似度匹配方法、装置、计算机设备和储存介质 |
CN113283507A (zh) * | 2021-05-27 | 2021-08-20 | 大连海事大学 | 一种基于多视图的特征融合车辆再识别方法 |
CN113610114A (zh) * | 2021-07-09 | 2021-11-05 | 广州大学 | 一种车辆重识别方法、系统、计算机设备和存储介质 |
CN114067143A (zh) * | 2021-11-24 | 2022-02-18 | 西安烽火软件科技有限公司 | 一种基于双子网络的车辆重识别方法 |
CN114973169A (zh) * | 2022-08-02 | 2022-08-30 | 山东建筑大学 | 基于多目标检测和跟踪的车辆分类计数方法及系统 |
CN115329157A (zh) * | 2022-10-14 | 2022-11-11 | 北京百度网讯科技有限公司 | 挖掘路况事件的方法以及基于路况事件的优化方法 |
CN116206224A (zh) * | 2023-03-06 | 2023-06-02 | 北京交通大学 | 一种用于无人机铁路巡检的轨道线全角度识别方法 |
CN116310425A (zh) * | 2023-05-24 | 2023-06-23 | 山东大学 | 一种细粒度图像检索方法、系统、设备及存储介质 |
CN117373143A (zh) * | 2023-12-06 | 2024-01-09 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
CN117373143B (zh) * | 2023-12-06 | 2024-05-31 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
CN108921852A (zh) * | 2018-06-01 | 2018-11-30 | 大连理工大学 | 基于视差与平面拟合的双分支室外非结构化地形分割网络 |
US20200258218A1 (en) * | 2018-03-14 | 2020-08-13 | Dalian University Of Technology | Method based on deep neural network to extract appearance and geometry features for pulmonary textures classification |
CN111860678A (zh) * | 2020-07-29 | 2020-10-30 | 中国矿业大学 | 一种基于聚类的无监督跨域行人重识别方法 |
CN112016489A (zh) * | 2020-09-02 | 2020-12-01 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
-
2020
- 2020-12-10 CN CN202011451893.3A patent/CN112560932A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729818A (zh) * | 2017-09-21 | 2018-02-23 | 北京航空航天大学 | 一种基于深度学习的多特征融合车辆重识别方法 |
US20200258218A1 (en) * | 2018-03-14 | 2020-08-13 | Dalian University Of Technology | Method based on deep neural network to extract appearance and geometry features for pulmonary textures classification |
CN108921852A (zh) * | 2018-06-01 | 2018-11-30 | 大连理工大学 | 基于视差与平面拟合的双分支室外非结构化地形分割网络 |
CN111860678A (zh) * | 2020-07-29 | 2020-10-30 | 中国矿业大学 | 一种基于聚类的无监督跨域行人重识别方法 |
CN112016489A (zh) * | 2020-09-02 | 2020-12-01 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
Non-Patent Citations (2)
Title |
---|
YIFAN SUN等: "Circle Loss: A Unified Perspective of Pair Similarity Optimization", 《ARXIV:2002.10857V2[CS.CV]》 * |
ZUOZHUO DAI等: "Batch DropBlock Network for Person Re-identification and Beyond", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077657A (zh) * | 2021-03-30 | 2021-07-06 | 上海华兴数字科技有限公司 | 车辆间安全距离报警方法及装置 |
CN113221530A (zh) * | 2021-04-19 | 2021-08-06 | 杭州火石数智科技有限公司 | 一种基于circle loss的文本相似度匹配方法、装置、计算机设备和储存介质 |
CN113221530B (zh) * | 2021-04-19 | 2024-02-13 | 杭州火石数智科技有限公司 | 一种文本相似度匹配方法、装置、计算机设备和储存介质 |
CN113283507A (zh) * | 2021-05-27 | 2021-08-20 | 大连海事大学 | 一种基于多视图的特征融合车辆再识别方法 |
CN113283507B (zh) * | 2021-05-27 | 2024-04-05 | 大连海事大学 | 一种基于多视图的特征融合车辆再识别方法 |
CN113610114B (zh) * | 2021-07-09 | 2023-08-08 | 广州大学 | 一种车辆重识别方法、系统、计算机设备和存储介质 |
CN113610114A (zh) * | 2021-07-09 | 2021-11-05 | 广州大学 | 一种车辆重识别方法、系统、计算机设备和存储介质 |
CN114067143A (zh) * | 2021-11-24 | 2022-02-18 | 西安烽火软件科技有限公司 | 一种基于双子网络的车辆重识别方法 |
CN114067143B (zh) * | 2021-11-24 | 2024-06-04 | 西安烽火软件科技有限公司 | 一种基于双子网络的车辆重识别方法 |
CN114973169A (zh) * | 2022-08-02 | 2022-08-30 | 山东建筑大学 | 基于多目标检测和跟踪的车辆分类计数方法及系统 |
CN115329157A (zh) * | 2022-10-14 | 2022-11-11 | 北京百度网讯科技有限公司 | 挖掘路况事件的方法以及基于路况事件的优化方法 |
CN116206224A (zh) * | 2023-03-06 | 2023-06-02 | 北京交通大学 | 一种用于无人机铁路巡检的轨道线全角度识别方法 |
CN116206224B (zh) * | 2023-03-06 | 2024-01-02 | 北京交通大学 | 一种用于无人机铁路巡检的轨道线全角度识别方法 |
CN116310425A (zh) * | 2023-05-24 | 2023-06-23 | 山东大学 | 一种细粒度图像检索方法、系统、设备及存储介质 |
CN116310425B (zh) * | 2023-05-24 | 2023-09-26 | 山东大学 | 一种细粒度图像检索方法、系统、设备及存储介质 |
CN117373143A (zh) * | 2023-12-06 | 2024-01-09 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
CN117373143B (zh) * | 2023-12-06 | 2024-05-31 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560932A (zh) | 一种基于双分支网络特征融合的车辆重识别方法 | |
CN111539255B (zh) | 基于多模态图像风格转换的跨模态行人重识别方法 | |
Zheng et al. | Research on detecting bearing-cover defects based on improved YOLOv3 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN113177518B (zh) | 一种利用弱监督区域推荐的车辆重识别方法 | |
CN111709311A (zh) | 一种基于多尺度卷积特征融合的行人重识别方法 | |
CN104794219A (zh) | 一种基于地理位置信息的场景检索方法 | |
CN112836677B (zh) | 一种利用深度学习的弱监督车辆重识别方法 | |
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 | |
CN101339601A (zh) | 一种基于sift算法的车牌汉字识别方法 | |
CN111985367A (zh) | 一种基于多尺度特征融合的行人重识别特征提取方法 | |
CN115049944A (zh) | 一种基于多任务优化的小样本遥感图像目标检测方法 | |
Xiong et al. | RGB-D scene recognition via spatial-related multi-modal feature learning | |
Yang et al. | Traffic-informed multi-camera sensing (TIMS) system based on vehicle re-identification | |
CN115909407A (zh) | 一种基于人物属性辅助的跨模态行人重识别方法 | |
CN111488797B (zh) | 一种行人再识别方法 | |
Li et al. | Deep fusion of multi-layers salient CNN features and similarity network for robust visual place recognition | |
CN113642430B (zh) | 基于VGG+NetVLAD的地下停车场高精度视觉定位方法及系统 | |
CN117197687A (zh) | 一种面向无人机航拍密集小目标的检测方法 | |
CN113743359B (zh) | 车辆重识别方法、模型训练方法及相关装置 | |
CN113392852B (zh) | 一种基于深度学习的车辆检测方法及系统 | |
CN113869151A (zh) | 一种基于特征融合的跨视角步态识别方法及系统 | |
Kovbasiuk et al. | Detection of vehicles on images obtained from unmanned aerial vehicles using instance segmentation | |
CN114882525B (zh) | 基于模态特定记忆网络的跨模态行人重识别方法 | |
Yuan et al. | Traffic sign recognition based on a context-aware scale-invariant feature transform approach |
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 |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |