CN112633071A - 基于数据风格解耦内容迁移的行人重识别数据域适应方法 - Google Patents
基于数据风格解耦内容迁移的行人重识别数据域适应方法 Download PDFInfo
- Publication number
- CN112633071A CN112633071A CN202011369468.XA CN202011369468A CN112633071A CN 112633071 A CN112633071 A CN 112633071A CN 202011369468 A CN202011369468 A CN 202011369468A CN 112633071 A CN112633071 A CN 112633071A
- Authority
- CN
- China
- Prior art keywords
- data
- domain
- style
- pedestrian
- content
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
Abstract
本发明属于智能识别技术领域,涉及基于数据风格解耦内容迁移的行人重识别数据域适应方法,包括:步骤一,构建用于训练的数据风格解耦网络;步骤二,利用源域和目标域数据进行内容迁移;步骤三,利用源域和目标域数据,合成样本特征以及对应的标签对内容特征提取器CE进行训练;步骤四,训练完成后,仅保留内容特征提取器CE作为测试用特征提取网络。本发明利用风格迁移模型实现了对不同数据域图片的风格解耦,获得具有数据域不变性的共享内容特征空间,并在共享内容特征空间内进行内容迁移,深入挖掘了源域与目标域数据之间的差异进行迁移适应,在测试应用中仅保留内容特征提取器,网络规模小,模型复杂度低,易于在实际应用场景部署。
Description
技术领域
本发明属于智能识别技术领域,具体涉及基于数据风格解耦内容迁移的行人重识别数据域适应方法。
背景技术
行人重识别的任务是在于摄像机A不存在重叠区域的摄像机B中,对行人目标进行检索,重新找到在摄像机A中出现的行人目标。作为当前重要的研究方向和研究热点,行人重识别在智能监控、智慧城市、治安防治和刑侦等领域都有着广泛的应用,例如跨摄像机的行人跟踪与行为分析,嫌疑或感兴趣人员的图片检索与查询等。
随着深度学习技术的迅速发展以及卷积神经网络强大的学习拟合能力,基于身份标签的行人重识别算法已经在主流数据集上获得了非常高的识别准确率和首位命中率,甚至超越了人眼的识别能力。然而对于行人身份类别的标注是一项非常繁琐且消耗大量人力的工程,同时在现实监控场景中,每时每刻都有海量的新行人数据产生,对如此大量的数据进行人为标注变得越来越不可行,因此,如何基于当前已有的标注好的数据和训练好的模型,对未知场景分布的无标签数据进行学习和适应,逐渐被越来越多的研究者所关注。
现有的行人重识别域适应模型,大多将数据统一映射到源域风格或是目标域风格后进行进一步的特征学习,这样所获得的模型仍然只适用于某一特定分布的数据域,而无法获得通用的共享特征空间。此外,仅仅基于风格迁移进行域适应学习忽略了不同数据域之间除风格之外的图像内容上的差异,因此在图像内容上进行不同数据域之间的适应也愈发重要。
发明内容
为了解决现有技术中尽的上述技术问题,本发明提供基于数据风格解耦内容迁移的行人重识别数据域适应方法,其具体技术方案如下。
基于数据风格解耦内容迁移的行人重识别数据域适应方法,包括以下步骤:
步骤一:构建用于训练的数据风格解耦网络:所述用于训练的数据风格解耦网络包含由卷积神经网络构成的风格特征提取器SE和内容特征提取器CE,图像解码器Dec,数据域判别器D;网络构建后将源域和目标域行人数据送入数据风格解耦网络进行训练;
步骤二:利用源域和目标域数据进行内容迁移:在进行风格解耦后的内容特征空间内,首先对目标域数据特征进行聚类,根据所在聚类分配身份伪标签;其次利用源域数据样本特征和目标域数据样本特征进行加权组合,生成新的合成样本特征,并以相同的方式加权获得对应的合成样本标签;
步骤三:利用源域数据,目标域数据,合成样本特征以及对应的标签对内容特征提取器CE进行训练;
步骤四:训练完成后,仅保留内容特征提取器CE作为测试用特征提取网络。
进一步的,所述步骤一中利用输入的行人数据对风格解耦网络进行训练,具体包括:
(1.4)将源域行人图像的风格特征和目标域行人图像的内容特征送入图像解码器Dec,生成目标域向源域风格迁移的图像,将目标域行人图像的风格特征和源域图像的内容特征送入图像解码器Dec,生成源域向目标域风格迁移的图像;
进一步的,所述数据域判别器D为一个二类分类器,通过输入数据所具有的风格特征来对输入数据所属的数据域进行分类判断,当保持内容特征不变时,交换风格特征后生成的图像,通过数据域判别器D正确判断所属域来约束风格特征提取器SE学习到具有域特性的信息,内容特征提取器CE学习具有域不变性的信息。
进一步的,所述步骤二中利用输入的行人数据进行内容迁移,具体包括:
(2.1)利用当前的内容特征提取器CE采用DBSCAN聚类算法对目标域数据进行聚类,对目标域数据集进行聚类并分配聚类标签作为身份伪标签;
进一步的,所述步骤三中,对内容特征提取器CE进行训练,具体包括:通过步骤一对风格解耦网络进行训练后,将其他模块的网络参数固定,仅调整内容特征提取器CE,利用步骤二获得三类数据:包含真实标签的源域数据,包含伪身份标签的目标域数据,以及包含合成标签的合成样本特征;再利用所述三类数据和对应的标签对内容特征提取器CE进行训练,训练目标函数通过以下公式进行计算:,其中分别表示样本对应的身份类别标签和内容特征提取器CE针对该类别的概率预测值。
进一步的,所述步骤四中,在训练完成后,将风格特征提取器SE,图像解码器Dec,数据域判别器D去除,仅保留内容特征提取器CE作为实际测试应用中的行人图像特征提取网络。
本发明的有益效果是:本发明利用风格迁移模型实现了对不同数据域图片的风格解耦,获得具有数据域不变性的共享内容特征空间,并在共享内容特征空间内进行了内容迁移,深入挖掘了源域与目标域数据之间的差异进行迁移适应,在测试应用中仅保留内容特征提取器,网络规模小,模型复杂度低,易于在实际应用场景部署。
附图说明
图1是本发明的基于数据风格解耦内容迁移的行人重识别数据域适应方法的步骤流程示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图,对本发明作进一步详细说明。
如图1所示,基于数据风格解耦内容迁移的行人重识别数据域适应方法,包括以下步骤:
步骤一:构建用于训练的数据风格解耦网络:所述用于训练的数据风格解耦网络包含由卷积神经网络构成的风格特征提取器SE和内容特征提取器CE,图像解码器Dec,数据域判别器D;网络构建后将源域和目标域行人数据送入数据风格解耦网络进行训练。
步骤二:利用源域和目标域数据进行内容迁移:在进行风格解耦后的内容特征空间内,首先对目标域数据特征进行聚类,根据所在聚类分配身份伪标签;其次利用源域数据样本特征和目标域数据样本特征进行加权组合,生成新的合成样本特征,并以相同的方式加权获得对应的合成样本标签。
步骤三:利用源域数据,目标域数据,合成样本特征以及对应的标签对内容特征提取器CE进行训练。
步骤四:训练完成后,仅保留内容特征提取器CE作为测试用特征提取网络。
具体的,所述步骤一中利用输入的行人数据对风格解耦网络进行训练,具体包括:
(1.4)将源域行人图像的风格特征和目标域行人图像的内容特征送入图像解码器Dec,生成目标域向源域风格迁移的图像,将目标域行人图像的风格特征和源域图像的内容特征送入图像解码器Dec,生成源域向目标域风格迁移的图像;
所述数据域判别器D为一个二类分类器,依赖于输入数据所具有的风格特征来对输入数据所属的数据域进行分类判断,在保持内容特征不变的情况下,交换风格特征后生成的图像,通过让数据域判别器D正确判断所属域来约束风格特征提取器SE学习到具有域特性的信息,而内容特征提取器CE学习具有域不变性的信息。
所述步骤二中利用输入的行人数据进行内容迁移,具体包括:
(2.1)利用当前的内容特征提取器CE对目标域数据集进行聚类并分配聚类标签作为身份伪标签:
我们采用DBSCAN聚类算法对目标域数据进行聚类,因为该算法无需指定聚类类别数量,算法会根据数据分布自动设置合适的类别数量,聚类完成后,每张图片根据其所属的聚类分配对应的伪标签作为身份类别标签。
所述步骤三中,对内容特征提取器CE进行训练,具体包括:通过步骤一对风格解耦网络进行训练后,将其他模块的网络参数固定,仅调整内容特征提取器CE,利用步骤二获得三类数据:包含真实标签的源域数据,包含伪身份标签的目标域数据,以及包含合成标签的合成样本特征;再利用这三类数据和对应的标签对内容特征提取器CE进行训练,训练目标函数通过以下公式进行计算:,其中分别表示样本对应的身份类别标签和内容特征提取器CE针对该类别的概率预测值。
所述步骤四中,在训练完成后,将风格特征提取器SE,图像解码器Dec,数据域判别器D去除,仅保留内容特征提取器CE作为实际测试应用中的行人图像特征提取网络。
Claims (6)
1.基于数据风格解耦内容迁移的行人重识别数据域适应方法,其特征在于,包括以下步骤:
步骤一:构建用于训练的数据风格解耦网络:所述用于训练的数据风格解耦网络包含由卷积神经网络构成的风格特征提取器SE和内容特征提取器CE,图像解码器Dec,数据域判别器D;网络构建后将源域和目标域行人数据送入数据风格解耦网络进行训练;
步骤二:利用源域和目标域数据进行内容迁移:在进行风格解耦后的内容特征空间内,首先对目标域数据特征进行聚类,根据所在聚类分配身份伪标签;其次利用源域数据样本特征和目标域数据样本特征进行加权组合,生成新的合成样本特征,并以相同的方式加权获得对应的合成样本标签;
步骤三:利用源域数据,目标域数据,合成样本特征以及对应的标签对内容特征提取器CE进行训练;
步骤四:训练完成后,仅保留内容特征提取器CE作为测试用特征提取网络。
2.如权利要求1所述的基于数据风格解耦内容迁移的行人重识别数据域适应方法,其特征在于,所述步骤一中利用输入的行人数据对风格解耦网络进行训练,具体包括:
(1.4)将源域行人图像的风格特征和目标域行人图像的内容特征送入图像解码器Dec,生成目标域向源域风格迁移的图像,将目标域行人图像的风格特征和源域图像的内容特征送入图像解码器Dec,生成源域向目标域风格迁移的图像;
3.如权利要求2所述的基于数据风格解耦内容迁移的行人重识别数据域适应方法,其特征在于,所述数据域判别器D为一个二类分类器,通过输入数据所具有的风格特征来对输入数据所属的数据域进行分类判断,当保持内容特征不变时,交换风格特征后生成的图像,通过数据域判别器D正确判断所属域来约束风格特征提取器SE学习到具有域特性的信息,内容特征提取器CE学习具有域不变性的信息。
6.如权利要求1所述的基于数据风格解耦内容迁移的行人重识别数据域适应方法,其特征在于,所述步骤四中,在训练完成后,将风格特征提取器SE,图像解码器Dec,数据域判别器D去除,仅保留内容特征提取器CE作为实际测试应用中的行人图像特征提取网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011369468.XA CN112633071B (zh) | 2020-11-30 | 2020-11-30 | 基于数据风格解耦内容迁移的行人重识别数据域适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011369468.XA CN112633071B (zh) | 2020-11-30 | 2020-11-30 | 基于数据风格解耦内容迁移的行人重识别数据域适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633071A true CN112633071A (zh) | 2021-04-09 |
CN112633071B CN112633071B (zh) | 2022-09-16 |
Family
ID=75306603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011369468.XA Active CN112633071B (zh) | 2020-11-30 | 2020-11-30 | 基于数据风格解耦内容迁移的行人重识别数据域适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633071B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408428A (zh) * | 2021-06-22 | 2021-09-17 | 之江实验室 | 行人图像不变性特征提取和无监督行人重识别方法与装置 |
CN113486987A (zh) * | 2021-08-04 | 2021-10-08 | 电子科技大学 | 基于特征解耦的多源域适应方法 |
CN113657254A (zh) * | 2021-08-16 | 2021-11-16 | 浙江大学 | 一种基于可靠价值样本和新身份样本挖掘的行人重识别域适应方法 |
CN113743314A (zh) * | 2021-09-07 | 2021-12-03 | 东北林业大学 | 一种基于双聚类协作学习的跨域行人重识别方法 |
CN115205570A (zh) * | 2022-09-14 | 2022-10-18 | 中国海洋大学 | 一种基于对比学习的无监督跨域目标重识别方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447137A (zh) * | 2018-10-15 | 2019-03-08 | 聚时科技(上海)有限公司 | 一种基于分解因子的图像局部风格迁移方法 |
CN109948561A (zh) * | 2019-03-25 | 2019-06-28 | 广东石油化工学院 | 基于迁移网络的无监督图像视频行人重识别的方法及系统 |
CN109978850A (zh) * | 2019-03-21 | 2019-07-05 | 华南理工大学 | 一种多模态医学影像半监督深度学习分割系统 |
CN110310221A (zh) * | 2019-06-14 | 2019-10-08 | 大连理工大学 | 一种基于生成对抗网络的多域图像风格迁移方法 |
CN110321813A (zh) * | 2019-06-18 | 2019-10-11 | 南京信息工程大学 | 基于行人分割的跨域行人重识别方法 |
CN110942025A (zh) * | 2019-11-26 | 2020-03-31 | 河海大学 | 一种基于聚类的无监督跨域行人重识别方法 |
CN111126360A (zh) * | 2019-11-15 | 2020-05-08 | 西安电子科技大学 | 基于无监督联合多损失模型的跨域行人重识别方法 |
CN111325681A (zh) * | 2020-01-20 | 2020-06-23 | 南京邮电大学 | 一种结合元学习机制与特征融合的图像风格迁移方法 |
CN111401281A (zh) * | 2020-03-23 | 2020-07-10 | 山东师范大学 | 基于深度聚类和样例学习的无监督行人重识别方法及系统 |
CN111444955A (zh) * | 2020-03-25 | 2020-07-24 | 哈尔滨工程大学 | 一种基于类意识领域自适应的水下声纳图像无监督分类方法 |
CN111476168A (zh) * | 2020-04-08 | 2020-07-31 | 山东师范大学 | 一种基于三阶段的跨域行人重识别方法和系统 |
CN111539255A (zh) * | 2020-03-27 | 2020-08-14 | 中国矿业大学 | 基于多模态图像风格转换的跨模态行人重识别方法 |
CN111583100A (zh) * | 2020-05-12 | 2020-08-25 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111666851A (zh) * | 2020-05-28 | 2020-09-15 | 大连理工大学 | 一种基于多粒度标签的交叉域自适应行人重识别方法 |
WO2020186914A1 (zh) * | 2019-03-20 | 2020-09-24 | 北京沃东天骏信息技术有限公司 | 行人再识别方法、装置及存储介质 |
US20200342643A1 (en) * | 2017-10-27 | 2020-10-29 | Google Llc | Semantically-consistent image style transfer |
CN111898507A (zh) * | 2020-07-22 | 2020-11-06 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
-
2020
- 2020-11-30 CN CN202011369468.XA patent/CN112633071B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200342643A1 (en) * | 2017-10-27 | 2020-10-29 | Google Llc | Semantically-consistent image style transfer |
CN109447137A (zh) * | 2018-10-15 | 2019-03-08 | 聚时科技(上海)有限公司 | 一种基于分解因子的图像局部风格迁移方法 |
WO2020186914A1 (zh) * | 2019-03-20 | 2020-09-24 | 北京沃东天骏信息技术有限公司 | 行人再识别方法、装置及存储介质 |
CN109978850A (zh) * | 2019-03-21 | 2019-07-05 | 华南理工大学 | 一种多模态医学影像半监督深度学习分割系统 |
CN109948561A (zh) * | 2019-03-25 | 2019-06-28 | 广东石油化工学院 | 基于迁移网络的无监督图像视频行人重识别的方法及系统 |
CN110310221A (zh) * | 2019-06-14 | 2019-10-08 | 大连理工大学 | 一种基于生成对抗网络的多域图像风格迁移方法 |
CN110321813A (zh) * | 2019-06-18 | 2019-10-11 | 南京信息工程大学 | 基于行人分割的跨域行人重识别方法 |
CN111126360A (zh) * | 2019-11-15 | 2020-05-08 | 西安电子科技大学 | 基于无监督联合多损失模型的跨域行人重识别方法 |
CN110942025A (zh) * | 2019-11-26 | 2020-03-31 | 河海大学 | 一种基于聚类的无监督跨域行人重识别方法 |
CN111325681A (zh) * | 2020-01-20 | 2020-06-23 | 南京邮电大学 | 一种结合元学习机制与特征融合的图像风格迁移方法 |
CN111401281A (zh) * | 2020-03-23 | 2020-07-10 | 山东师范大学 | 基于深度聚类和样例学习的无监督行人重识别方法及系统 |
CN111444955A (zh) * | 2020-03-25 | 2020-07-24 | 哈尔滨工程大学 | 一种基于类意识领域自适应的水下声纳图像无监督分类方法 |
CN111539255A (zh) * | 2020-03-27 | 2020-08-14 | 中国矿业大学 | 基于多模态图像风格转换的跨模态行人重识别方法 |
CN111476168A (zh) * | 2020-04-08 | 2020-07-31 | 山东师范大学 | 一种基于三阶段的跨域行人重识别方法和系统 |
CN111583100A (zh) * | 2020-05-12 | 2020-08-25 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111666851A (zh) * | 2020-05-28 | 2020-09-15 | 大连理工大学 | 一种基于多粒度标签的交叉域自适应行人重识别方法 |
CN111898507A (zh) * | 2020-07-22 | 2020-11-06 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
Non-Patent Citations (2)
Title |
---|
XIANGPING ZHU等: "Unsupervised Domain-Adaptive Person Re-identification Based on Attributes", 《RESEARCHGATE》 * |
孟祥海: "基于改进Unet的脑腹部多模态影像分割", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408428A (zh) * | 2021-06-22 | 2021-09-17 | 之江实验室 | 行人图像不变性特征提取和无监督行人重识别方法与装置 |
CN113408428B (zh) * | 2021-06-22 | 2023-03-14 | 之江实验室 | 行人图像不变性特征提取和无监督行人重识别方法与装置 |
CN113486987A (zh) * | 2021-08-04 | 2021-10-08 | 电子科技大学 | 基于特征解耦的多源域适应方法 |
CN113657254A (zh) * | 2021-08-16 | 2021-11-16 | 浙江大学 | 一种基于可靠价值样本和新身份样本挖掘的行人重识别域适应方法 |
CN113657254B (zh) * | 2021-08-16 | 2023-09-19 | 浙江大学 | 一种基于可靠价值样本和新身份样本挖掘的行人重识别域适应方法 |
CN113743314A (zh) * | 2021-09-07 | 2021-12-03 | 东北林业大学 | 一种基于双聚类协作学习的跨域行人重识别方法 |
CN115205570A (zh) * | 2022-09-14 | 2022-10-18 | 中国海洋大学 | 一种基于对比学习的无监督跨域目标重识别方法 |
CN115205570B (zh) * | 2022-09-14 | 2022-12-20 | 中国海洋大学 | 一种基于对比学习的无监督跨域目标重识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112633071B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633071B (zh) | 基于数据风格解耦内容迁移的行人重识别数据域适应方法 | |
CN110414368B (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN109961051B (zh) | 一种基于聚类和分块特征提取的行人重识别方法 | |
CN112069929B (zh) | 一种无监督行人重识别方法、装置、电子设备及存储介质 | |
CN108647595B (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN110111338A (zh) | 一种基于超像素时空显著性分割的视觉跟踪方法 | |
CN109919106B (zh) | 渐进式目标精细识别与描述方法 | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN111461039B (zh) | 基于多尺度特征融合的地标识别方法 | |
CN109635676A (zh) | 一种从视频中定位音源的方法 | |
CN111767927A (zh) | 一种基于全卷积网络的轻量级车牌识别方法及系统 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
Mo et al. | Vehicles detection in traffic flow | |
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 | |
Hu et al. | Cross-task transfer for geotagged audiovisual aerial scene recognition | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
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 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN115393666A (zh) | 图像分类中基于原型补全的小样本扩充方法及系统 | |
CN113808166B (zh) | 基于聚类差分和深度孪生卷积神经网络的单目标跟踪方法 | |
CN114579794A (zh) | 特征一致性建议的多尺度融合地标图像检索方法及系统 | |
Khan et al. | Explainable event recognition | |
CN112861682B (zh) | 基于朴素贝叶斯云计算路面图像采集分类方法及其装置 |
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 |