CN112668544A - 一种基于难样本混淆增强特征鲁棒性的行人重识别方法 - Google Patents
一种基于难样本混淆增强特征鲁棒性的行人重识别方法 Download PDFInfo
- Publication number
- CN112668544A CN112668544A CN202110028392.2A CN202110028392A CN112668544A CN 112668544 A CN112668544 A CN 112668544A CN 202110028392 A CN202110028392 A CN 202110028392A CN 112668544 A CN112668544 A CN 112668544A
- Authority
- CN
- China
- Prior art keywords
- sample
- pedestrian
- hard
- image
- confusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000002679 ablation Methods 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于难样本混淆增强特征鲁棒性的行人重识别方法,属于计算机视觉领域。目前,行人重识别通过给定的查询行人图像进行跨摄像机检索,找出与查询身份相匹配的行人。然而,由于受到不同视角下的背景、光照等因素影响,采集到的行人图像中存在大量的难样本,利用这些难样本训练得到的模型识别性能低下,缺乏鲁棒性。本发明对于每次输入图片,通过相似性度量寻找每张图像对应的难样本,结合混淆因子合成具有难样本信息的新图像再以有监督的方式促使模型挖掘难样本信息,从而提高模型鲁棒性。大量对比实验表明,本发明在主流数据集DukeMTMC‑ReID和Market‑1501上达到了较高的识别率,消融实验证明本发明能有效提高模型对难样本的鉴别能力。
Description
技术领域
本发明涉及一种基于难样本混淆增强特征鲁棒性的行人重识别方法,属于计算机视觉领域。
背景技术
随着深度学习的发展,行人重识别技术得到了广泛的发展,它是利用计算机视觉技术判断图像或视频中是否存在特定行人的技术,由此也常被认为是图像检索的子问题。具体来说是将同一个人在不同环境、不同摄像头所捕捉到的图像关联起来,从而实现跨域跨设备的检索。行人重识别技术的出现弥补了目前固定摄像头的视觉局限性、人工搜索时间长等问题,由此在刑事侦查、智能安防、无人超市等领域得到了广泛的应用。
目前,行人重识别过程主要分为两步:(1)行人图片的有效特征提取,(2)有效特征距离度量,然而由于数据集中大量难样本的干扰,使得模型不能有效的优化类内、类间距离。三元组损失函数是一种被广泛用于难样本信息挖掘的方法,即选择三张图片作为输入,分别命名为固定样本a(Anchor),正样本p(Positive)和负样本n(Negative),它在特征层面减小类内距离的同时增大类间距离,然而该方法只关注如何改进网络提取出来的特征,忽略了数据集中存在的大量难样本图像中的信息。
随着深度学习的不断发展,2014年Goodfellow等提出了一种新的深度学习模型即生成式对抗网络(GAN,Generative Adversarial Networks),2017年Wei L等首次将GAN应用到Re-ID中,将利用GAN生成的不同相机风格的行人图片以有监督的方式重新训练模型。随后提出的CycleGAN使用两个生成器和两个判别器来进行不同域间行人图像的风格转换,SPGAN则是在CycleGAN的基础上加入前景约束,在尽可能多的保留行人外观的前提下改变图片的背景风格。然而上述基于GAN的方法都需要建立十分复杂的网络,而且训练过程不稳定存在模型崩塌的风险。这类方法生成不同风格的行人图像仅仅是一种对数据的增强,提升了样本多样性,没有赋予模型挖掘难样本信息的能力。
针对上述方法中存在的问题,本发明提出一种难样本混淆增强特征鲁棒性的行人重识别方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于难样本混淆增强特征鲁棒性的行人重识别方法,使用基于ResNet-50的主体框架,充分利用难样本在图像层面的信息,赋予网络提取更具有鉴别性的特征的能力。再结合欧氏距离作为相似性度量找到难样本,在图像层面进行难样本混淆,增加了训练样本中信息的多样性,提高了模型泛化能力。在DukeMTMC-ReID和Market-1501数据集上的实验结果表明了本发明所提方法的优越性,能够有效提升行人重识别性能。
本发明采用的技术方案是:一种基于难样本混淆增强特征鲁棒性的行人重识别方法,包括以下步骤:
S1:设计特征提取模块:
为了确保提取有效的行人特征,首先设计如下损失函数Lid,设计该项损失函数的目的是将源域中的图片特征进行分类:
其中N为训练集中行人身份总数,m是行人的真实身份标签,pi为网络预测该行人属于标签i行人的概率,qi是通过每一张待查图片的ID标签得到,若m=i,则qi=1,而对于任何m≠i均有qi=0。由于常规的交叉熵损失函数过度的依赖训练集中正确的行人标签,这使得网络容易出现过拟合的现象。通常解决上述问题,标签平滑(Label smoothing,LS)是最常用的方法,因此对qi进行改写,具体过程如下:
上式中ε为平滑超参数,在训练时作为容错因子引入到交叉熵损失函数中。
S2:设计优化特征模块
为了使提取的行人图片特征特征得到优化,即同类图片在欧氏距离度量层面的距离更近,不同类图片的距离更远,加入了三元组损失函数进行约束,三元组(Triplet)由三张图片构成,分别命名为:锚点a(Anchor),正样本p(Positive),负样本n(Negative),三元组损失函数表达如下:
Lt=(da,p-da,n+δ)+, (4)
δ是训练过程中设置的阈值参数,da,p和da,n作为度量函数,分别为锚点a与正样本p之间的欧氏距离、锚点a和负样本n之间的欧氏距离,上式表示括号内的数值与0相比较,选择大的数值作为损失函数的结果。三元组损失的学习目标是增大锚点与负样本(类间)的距离,减小锚点与正样本(类内)的距离,并采用欧氏距离来表示样本之间的距离。在一个欧氏距离空间Rd中,度量学习的目的是得到一个能够将x映射到Rd中的函数f(x)以实现三元组学习的目标,具体表示如下:
S3:在完成原始图像的特征提取和特征优化后,接下来就是找寻难样本。本发明的一个关键点在于寻找图像的难样本,给定一个锚点样本a表示该样本的身份,将其通过网络得到的特征与训练批次中其他身份的图像特征逐一进行距离度量,找到与最为相似的难样本。具体过程如下:
S4:在使用公式(7)找到了每一张作为锚点的图像的难样本,通过在图像层面进行难样本混淆。难样本混淆的目的是使锚点样本带有其难样本图像的部分信息,从而使训练得到的网络更加具有鉴别性不易被难样本干扰。具体而言对于一张输入图像x1,通过公式(7)求解出其难样本,定义为x1-hard,再通过下式进行难样本混淆:
x1-new=x1×λ+x1-hard×(1-λ), (8)
其中x1-new为生成的含有难样本信息的混淆样本,λ是混淆因子。
S5:提取使模型更具鲁棒性的特征
通过上一步的训练过程找到目标图像所对应的难样本图像x1-hard,以此将所有的目标图像与其相对应的难样本图像进行混淆生成一批含有难样本信息的新图像,将生成的含有难样本信息的新图像重新利用S1节介绍的平滑交叉熵函数生成新的身份损失再有监督的训练网络,以提高模型的鲁棒性。公式如下:
Lconfusion=Lid-new, (9)
Lid-new是对S4中求得的一批含有难样本信息的混淆样本图片使用S1中的公式(1)所得到的新的身份损失,并赋值给Lconfusion,后续出现的该参数均与此处意义保持一致。
S6:最后得到本发明的总体损失函数:
通过前面的实验过程,本发明从最开始输入到网络的原始数据,再使用难样本混淆得到新的一批实验数据,最后本发明的损失函数表示如下:
Ltotal=Lid+Lt+β×Lconfusion, (10)
其中Lid是对原始图像数据采用交叉熵损失函数得到的身份损失,Lt是特征层面约束类内和类间距离进一步增强行人身份信息的三元组损失,Lconfusion是对难样本混淆之后得到的新数据进行交叉熵损失函数约束得到的另一个身份损失。超参数β用来衡量所提方法对整体性能的影响。
本发明的有益效果是:本发明提出了一种基于难样本混淆增强特征鲁棒性的行人重识别算法,它能够提高模型对难样本的鉴别能力从而进一步提升性能。具体来说,对于每批输入图片,通过相似性度量寻找每张图像对应的难样本,结合混淆因子合成具有难样本信息的新图像再以有监督的方式促使模型挖掘难样本信息,从而提高模型鲁棒性。大量对比实验表明,所提方法在主流数据集DukeMTMC-ReID和Market-1501上达到了较高的识别率,消融实验证明了所提方法的有效性。
附图说明
图1为本发明基于难样本混淆增强特征鲁棒性的行人重识别方法的流程图。
具体实施方式
下面结合附图和具体实施例进一步详细描述本发明的技术方案。
实施例1:如图1所示,一种基于难样本混淆增强特征鲁棒性的行人重识别方法,包括以下步骤:
S1:设计特征提取模块:
为了确保提取有效的行人特征,首先设计如下损失函数,设计该项损失函数的目的是将源域中的图片特征进行分类:
其中N为训练集中行人身份总数,m是行人的真实身份标签,pi为网络预测该行人属于标签i行人的概率,qi是通过每一张待查图片的ID标签得到,若m=i,则qi=1,而对于任何m≠i均有qi=0。由于常规的交叉熵损失函数过度的依赖训练集中正确的行人标签,这使得网络容易出现过拟合的现象。通常解决上述问题,标签平滑(Label smoothing,LS)是最常用的方法,因此对qi进行改写,具体过程如下:
上式中ε为平滑超参数,在训练时作为容错因子引入到交叉熵损失函数中。
S2:设计优化特征模块
为了使提取的行人图片特征特征得到优化,即同类图片在欧氏距离度量层面的距离更近,不同类图片的距离更远,加入了三元组损失函数进行约束,三元组(Triplet)由三张图片构成,分别命名为:锚点a(Anchor),正样本p(Positive),负样本n(Negative),三元组损失函数表达如下:
Lt=(da,p-da,n+δ)+, (4)
δ是训练过程中设置的阈值参数,da,p和da,n作为度量函数,分别为锚点a与正样本p之间的欧氏距离、锚点a和负样本n之间的欧氏距离,上式表示括号内的数值与0相比较,选择大的数值作为损失函数的结果。三元组损失的学习目标是增大锚点与负样本(类间)的距离,减小锚点与正样本(类内)的距离,并采用欧氏距离来表示样本之间的距离。在一个欧氏距离空间Rd中,度量学习的目的是得到一个能够将x映射到Rd中的函数f(x)以实现三元组学习的目标,具体表示如下:
S3:在完成原始图像的特征提取和特征优化后,接下来就是找寻难样本。本发明的一个关键点在于寻找图像的难样本,给定一个锚点样本a表示该样本的身份,将其通过网络得到的特征与训练批次中其他身份的图像特征逐一进行距离度量,找到与最为相似的难样本。具体过程如下:
S4:在使用公式(7)找到了每一张作为锚点的图像的难样本,通过在图像层面进行难样本混淆。难样本混淆的目的是使锚点样本带有其难样本图像的部分信息,从而使训练得到的网络更加具有鉴别性不易被难样本干扰。具体而言对于一张输入图像x1,通过公式(7)求解出其难样本,定义为x1-hard,再通过下式进行难样本混淆:
x1-new=x1×λ+x1-hard×(1-λ), (8)
其中x1-new为生成的含有难样本信息的混淆样本,λ是混淆因子。
S5:提取使模型更具鲁棒性的特征
通过上一步的训练过程找到目标图像所对应的难样本图像,以此将所有的目标图像与其相对应的难样本图像进行混淆生成一批含有难样本信息的新图像,将生成的含有难样本信息的新图像重新利用S1节介绍的平滑交叉熵函数生成新的身份损失再有监督的训练网络,以提高模型的鲁棒性。公式如下:
Lconfusion=Lid-new, (9)
Lid-new是对S4中求得的一批含有难样本信息的混淆样本图片使用S1中的公式(1)所得到的新的身份损失,并赋值给Lconfusion,后续出现的该参数均与此处意义保持一致。
S6:最后得到本发明的总体损失函数:
通过前面的实验过程,本发明从最开始输入到网络的原始数据,再使用难样本混淆得到新的一批实验数据,最后本发明的损失函数表示如下:
Ltotal=Lid+Lt+β×Lconfusion, (10)
其中Lid是对原始图像数据采用交叉熵损失函数得到的身份损失,Lt是特征层面约束类内和类间距离进一步增强行人身份信息的三元组损失,Lconfusion是对含有难样本图像信息的混淆图像进行交叉熵损失函数约束得到的另一个身份损失。超参数β用来衡量所提方法对整体性能的影响。
下面结合具体实验对本发明的效果进行详细说明。
本发明采用在Image-Net预训练过的ResNet-50作为主干网络进行特征提取,最后额外增加了一个全局平均池化层。所有训练图像剪裁为256×128作为网络的输入,训练批次的大小设为64,其中为了满足三元组的要求,每个身份采样4张图像。使用Adam优化器对网络参数进行优化,其中权重衰减因子设为0.0005,初始学习率为0.00035,在40代和70代学习率下降为当前值的1/10,总共训练120代。交叉熵损失函数中的δ设为0.1,三元组损失函数中的β设为0.3,混淆因子λ设为0.99。
为了验证本发明所提算法的性能,首先在Market-1501进行了测试,该数据集于2015年在清华大学采集得到,数据集中的图像来自于5个高分辨率摄像头和1个低分辨率摄像头,共计1501个行人,32668张图片。重复训练10次求得平均值作为最终性能。比较结果如表1所示。
表1 Market-1501结果对比
由上表可知本发明在性能上大幅领先,说明了本发明所提算法的优越性。此外本发明还在DukeMTMC-ReID数据集上进行了对比实验,该数据集在杜克大学内采集得到,图像来自8个不同的摄像头,共计1404个行人和34183张图片。比较结果如表1所示。
表2 DukeMTMC-ReID结果对比
以上两个数据集都由训练集和测试集两部分组成并且这两部分的行人身份互不重合,查询数据集(query sets)是由测试集中抽取的部分样本组成。即使表2的指标提升的效果没有在Market-1501数据集上那么优越,但是也足以说明本发明所提模型的鲁棒性。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于难样本混淆增强特征鲁棒性的行人重识别方法,其特征在于:包括以下步骤:
S1:设计特征提取模块:
提取有效的行人特征,首先设计如下身份损失函数Lid,用于将源域中的图片特征进行分类:
其中N为训练集中行人身份总数,m是行人的真实身份标签,pi为网络预测该行人属于标签i行人的概率,qi是通过每一张待查图片的ID标签得到,若m=i,则qi=1,而对于任何m≠i均有qi=0,对qi进行改写,具体过程如下:
上式中ε为平滑超参数,在训练时作为容错因子引入到交叉熵损失函数中;
S2:设计优化特征模块
为了使提取的行人图片特征特征得到优化,即同类图片在欧氏距离度量层面的距离更近,不同类图片的距离更远,加入了三元组损失函数进行约束,三元组Triplet由三张图片构成,分别命名为:锚点a,正样本p,负样本n,三元组损失函数表达如下:
Lt=(da,p-da,n+δ)+, (4)
δ是训练过程中设置的阈值参数,da,p和da,n作为度量函数,分别为锚点a与正样本p之间的欧氏距离、锚点a和负样本n之间的欧氏距离,上式表示括号内的数值与0相比较,选择大的数值作为损失函数的结果;在一个欧氏距离空间Rd中,度量学习的目的是得到一个能够将x映射到Rd中的函数f(x)以实现三元组学习的目标,具体表示如下:
S3:在完成原始图像的特征提取和特征优化后,接下来就是找寻图像的难样本;给定一个锚点样本a表示该样本的身份,将其通过网络得到的特征与训练批次中其他身份的图像特征逐一进行距离度量,找到与最为相似的难样本,具体过程如下:
S4:在使用公式(7)找到了每一张作为锚点的图像的难样本,通过在图像层面进行难样本混淆,对于一张输入图像x1,通过公式(7)求解出其难样本,定义为x1-hard,再通过下式进行难样本混淆:
x1-new=x1×λ+x1-hard×(1-λ), (8)
其中x1-new为生成的含有难样本信息的混淆样本,λ是混淆因子;
S5:提取使模型更具鲁棒性的特征
通过上一步的训练过程找到目标图像所对应的难样本图像x1-hard,以此将所有的目标图像与其相对应的难样本图像进行混淆生成一批含有难样本信息的新图像,将生成的含有难样本信息的新图像重新利用S1节介绍的平滑交叉熵函数生成新的身份损失再有监督的训练网络,新的身份损失公式如下:
Lconfusion=Lid-new, (9)
Lid-new是对S4中求得的一批含有难样本信息的混淆样本图片使用S1中的公式(1)所得到的新的身份损失,并赋值给Lconfusion,后续出现的该参数均与此处意义保持一致;
S6:最后得到总体损失函数
从最开始输入到网络的原始数据,再使用难样本混淆得到新的一批实验数据,最后总体的损失函数表示如下:
Ltotal=Lid+Lt+β×Lconfusion, (10)
其中Lid是对原始图像数据采用交叉熵损失函数得到的身份损失,Lt是特征层面约束类内和类间距离进一步增强行人身份信息的三元组损失,Lconfusion是对难样本混淆之后得到的新数据进行交叉熵损失函数约束得到的另一个身份损失,超参数β用来衡量所提方法对整体性能的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028392.2A CN112668544B (zh) | 2021-01-13 | 2021-01-13 | 一种基于难样本混淆增强特征鲁棒性的行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028392.2A CN112668544B (zh) | 2021-01-13 | 2021-01-13 | 一种基于难样本混淆增强特征鲁棒性的行人重识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668544A true CN112668544A (zh) | 2021-04-16 |
CN112668544B CN112668544B (zh) | 2022-03-22 |
Family
ID=75414083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110028392.2A Active CN112668544B (zh) | 2021-01-13 | 2021-01-13 | 一种基于难样本混淆增强特征鲁棒性的行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668544B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191461A (zh) * | 2021-06-29 | 2021-07-30 | 苏州浪潮智能科技有限公司 | 一种图片识别方法、装置、设备及可读存储介质 |
CN114372538A (zh) * | 2022-03-22 | 2022-04-19 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
CN115086670A (zh) * | 2022-06-13 | 2022-09-20 | 梧州学院 | 一种面向高清显微视频的低码率编解码方法及系统 |
CN117351522A (zh) * | 2023-12-06 | 2024-01-05 | 云南联合视觉科技有限公司 | 基于风格注入与跨视角难样本挖掘的行人重识别方法 |
CN117612201A (zh) * | 2023-10-20 | 2024-02-27 | 南通大学 | 一种基于特征压缩的单样本行人重识别方法 |
CN117612201B (zh) * | 2023-10-20 | 2024-05-28 | 南通大学 | 一种基于特征压缩的单样本行人重识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10058290B1 (en) * | 2013-06-21 | 2018-08-28 | Fitbit, Inc. | Monitoring device with voice interaction |
CN108960314A (zh) * | 2018-06-26 | 2018-12-07 | 北京旷视科技有限公司 | 基于难样本的训练方法、装置及电子设备 |
CN109190446A (zh) * | 2018-07-06 | 2019-01-11 | 西北工业大学 | 基于三元组聚焦损失函数的行人再识别方法 |
CN109299664A (zh) * | 2018-08-27 | 2019-02-01 | 华中科技大学 | 一种行人重识别的重排序方法 |
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
WO2019095469A1 (en) * | 2017-11-14 | 2019-05-23 | Zhejiang Dahua Technology Co., Ltd. | Method and system for face detection |
CN110321862A (zh) * | 2019-07-09 | 2019-10-11 | 天津师范大学 | 一种基于紧致三元损失的行人再识别方法 |
CN110909673A (zh) * | 2019-11-21 | 2020-03-24 | 河北工业大学 | 一种基于自然语言描述的行人再识别方法 |
US20200175377A1 (en) * | 2018-12-03 | 2020-06-04 | Canon Kabushiki Kaisha | Training apparatus, processing apparatus, neural network, training method, and medium |
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 |
CN111597876A (zh) * | 2020-04-01 | 2020-08-28 | 浙江工业大学 | 一种基于困难五元组的跨模态行人重识别方法 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111832511A (zh) * | 2020-07-21 | 2020-10-27 | 中国石油大学(华东) | 一种增强样本数据的无监督行人重识别方法 |
-
2021
- 2021-01-13 CN CN202110028392.2A patent/CN112668544B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10058290B1 (en) * | 2013-06-21 | 2018-08-28 | Fitbit, Inc. | Monitoring device with voice interaction |
WO2019095469A1 (en) * | 2017-11-14 | 2019-05-23 | Zhejiang Dahua Technology Co., Ltd. | Method and system for face detection |
CN108960314A (zh) * | 2018-06-26 | 2018-12-07 | 北京旷视科技有限公司 | 基于难样本的训练方法、装置及电子设备 |
CN109190446A (zh) * | 2018-07-06 | 2019-01-11 | 西北工业大学 | 基于三元组聚焦损失函数的行人再识别方法 |
CN109299664A (zh) * | 2018-08-27 | 2019-02-01 | 华中科技大学 | 一种行人重识别的重排序方法 |
CN109344787A (zh) * | 2018-10-15 | 2019-02-15 | 浙江工业大学 | 一种基于人脸识别与行人重识别的特定目标跟踪方法 |
US20200175377A1 (en) * | 2018-12-03 | 2020-06-04 | Canon Kabushiki Kaisha | Training apparatus, processing apparatus, neural network, training method, and medium |
CN110321862A (zh) * | 2019-07-09 | 2019-10-11 | 天津师范大学 | 一种基于紧致三元损失的行人再识别方法 |
CN110909673A (zh) * | 2019-11-21 | 2020-03-24 | 河北工业大学 | 一种基于自然语言描述的行人再识别方法 |
CN111597876A (zh) * | 2020-04-01 | 2020-08-28 | 浙江工业大学 | 一种基于困难五元组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 |
CN111652293A (zh) * | 2020-05-20 | 2020-09-11 | 西安交通大学苏州研究院 | 一种多任务联合判别学习的车辆重识别方法 |
CN111832511A (zh) * | 2020-07-21 | 2020-10-27 | 中国石油大学(华东) | 一种增强样本数据的无监督行人重识别方法 |
Non-Patent Citations (4)
Title |
---|
FANGYI LIU 等: "View Confusion Feature Learning for Person Re-Identification", 《 2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
张典等: "基于轻量网络的近红外光和可见光融合的异质人脸识别", 《小型微型计算机系统》 * |
李灏等: "基于改进困难三元组损失的跨模态行人重识别框架", 《计算机科学》 * |
杜章锦等: "乳腺超声图像中易混淆困难样本的分类方法", 《中国图象图形学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191461A (zh) * | 2021-06-29 | 2021-07-30 | 苏州浪潮智能科技有限公司 | 一种图片识别方法、装置、设备及可读存储介质 |
CN113191461B (zh) * | 2021-06-29 | 2021-09-17 | 苏州浪潮智能科技有限公司 | 一种图片识别方法、装置、设备及可读存储介质 |
CN114372538A (zh) * | 2022-03-22 | 2022-04-19 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
CN114372538B (zh) * | 2022-03-22 | 2023-04-18 | 中国海洋大学 | 拖曳式传感器阵列中尺度涡时间序列卷积分类方法 |
CN115086670A (zh) * | 2022-06-13 | 2022-09-20 | 梧州学院 | 一种面向高清显微视频的低码率编解码方法及系统 |
CN117612201A (zh) * | 2023-10-20 | 2024-02-27 | 南通大学 | 一种基于特征压缩的单样本行人重识别方法 |
CN117612201B (zh) * | 2023-10-20 | 2024-05-28 | 南通大学 | 一种基于特征压缩的单样本行人重识别方法 |
CN117351522A (zh) * | 2023-12-06 | 2024-01-05 | 云南联合视觉科技有限公司 | 基于风格注入与跨视角难样本挖掘的行人重识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112668544B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668544B (zh) | 一种基于难样本混淆增强特征鲁棒性的行人重识别方法 | |
Yang et al. | Attention driven person re-identification | |
Wang et al. | Video co-saliency guided co-segmentation | |
CN108960080B (zh) | 基于主动防御图像对抗攻击的人脸识别方法 | |
CN110942025A (zh) | 一种基于聚类的无监督跨域行人重识别方法 | |
Singh et al. | Muhavi: A multicamera human action video dataset for the evaluation of action recognition methods | |
Lin et al. | RSCM: Region selection and concurrency model for multi-class weather recognition | |
CN111832514B (zh) | 基于软多标签的无监督行人重识别方法及装置 | |
CN109614853B (zh) | 一种基于身体结构划分的双线性行人再识别网络构建方法 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN111783521B (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 | |
CN112906606B (zh) | 一种基于相互分歧学习的域自适应行人重识别方法 | |
Bai et al. | Hierarchical connectivity-centered clustering for unsupervised domain adaptation on person re-identification | |
Zheng et al. | Aware progressive clustering for unsupervised vehicle re-identification | |
Han et al. | End-to-end trainable trident person search network using adaptive gradient propagation | |
CN113706547B (zh) | 一种基于类别同异性引导的无监督域适应语义分割方法 | |
Yang et al. | Diffusion model as representation learner | |
CN115527269B (zh) | 一种人体姿态图像智能识别方法及系统 | |
Chen et al. | Unsupervised domain adaptation for remote sensing image semantic segmentation using region and category adaptive domain discriminator | |
Tsai et al. | Deep co-saliency detection via stacked autoencoder-enabled fusion and self-trained cnns | |
Ming et al. | Uniform local binary pattern based texture-edge feature for 3D human behavior recognition | |
Liu et al. | Sdm-bsm: A fusing depth scheme for human action recognition | |
CN112651459A (zh) | 深度学习图像对抗样本防御方法、装置、设备及存储介质 | |
CN116704611A (zh) | 一种基于运动特征混合和细粒度多阶段特征提取的跨视角步态识别方法 | |
Zhao et al. | Visible-infrared person re-identification based on frequency-domain simulated multispectral modality for dual-mode cameras |
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 |