CN112836675B - 一种基于聚类生成伪标签的无监督行人重识别方法及系统 - Google Patents

一种基于聚类生成伪标签的无监督行人重识别方法及系统 Download PDF

Info

Publication number
CN112836675B
CN112836675B CN202110224114.4A CN202110224114A CN112836675B CN 112836675 B CN112836675 B CN 112836675B CN 202110224114 A CN202110224114 A CN 202110224114A CN 112836675 B CN112836675 B CN 112836675B
Authority
CN
China
Prior art keywords
network
shallow
pedestrian
pedestrian image
parameters
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.)
Active
Application number
CN202110224114.4A
Other languages
English (en)
Other versions
CN112836675A (zh
Inventor
胡海峰
张穗安
卢泽丰
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110224114.4A priority Critical patent/CN112836675B/zh
Publication of CN112836675A publication Critical patent/CN112836675A/zh
Application granted granted Critical
Publication of CN112836675B publication Critical patent/CN112836675B/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
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • 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)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于聚类生成伪标签的无监督行人重识别方法及系统，该方法包括：构建浅层网络A、深层网络B和浅层网络C并对网络进行训练，得到训练完成的浅层网络C；基于训练完成的浅层网络C对待查行人图像和数据库行人图像进行特征提取并计算特征距离，得到相似度列表。该系统包括：训练模块和识别模块。通过使用本发明，能够很好的减少伪标签噪声带来的对无监督行人重识别的影响，提高识别性能。本发明作为一种基于聚类生成伪标签的无监督行人重识别方法及系统，可广泛应用于行人重识别领域。

Description

一种基于聚类生成伪标签的无监督行人重识别方法及系统
技术领域
本发明涉及行人重识别领域，尤其涉及一种基于聚类生成伪标签的无监督行人重识别方法及系统。
背景技术
行人重识别是指对两张图片进行处理，判断他们是否属于同一个人。行人重识别在智慧城市的应用中有至关重要的作用，如犯罪嫌疑人的行走路径跟踪，人流量的估计等等。另外，在城市监控设备快速增加，城市数字化不断进行的时代大背景下，其作为智慧城市的重要一环，在近些年来吸引了许多研究者的目光，尤其是在特定行人的跟踪和对人脸识别应用的补充上有着极广泛的应用前。由于现有的行人重识别数据集的大小比较小，训练后的网络不具有很强的泛化性能；同时行人重识别数据集的采集设计个人隐私问题，导致采集数据集难度过大。针对上述问题，无监督行人重识别就有比较重要的意义。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于聚类生成伪标签的无监督行人重识别方法及系统，提高监督行人重识别的识别性能。
本发明所采用的第一技术方案是：一种基于聚类生成伪标签的无监督行人重识别方法，包括以下步骤：
获取带标签的行人图像训练集并对特征提取网络进行初步训练，得到浅层网络A和深层网络B；
将行人图像经过数据增强后分别输入到浅层网络A和深层网络B，得到对应的特征向量fA和fB；
将特征向量fA和fB进行拼接融合，得到融合后特征向量fcat；
基于融合后特征向量fcat对行人图像数据集的特征向量进行聚类，并为行人图像数据集中的行人图像赋予伪标签；
基于伪标签对浅层网络A和深层网络B进行训练并根据浅层网络A的参数对浅层网络C进行更新，得到训练完成的浅层网络C；
将待查行人图像和数据库行人图像输入到训练完成的浅层网络C，得到待查行人图像特征和数据库行人图像特征集合；
对待查行人图像特征和数据库行人图像特征集合进行特征距离计算，得到相似度列表。
具体地，训练采用分类损失和三元组损失并基于损失对网络进行反向传递更新参数。
进一步，所述获取带标签的行人图像训练集并对特征提取网络进行初步训练，得到浅层网络A和深层网络B这一步骤，其具体包括：
获取标签的行人图像训练集并将带标签的行人图像训练集中的行人图像输入特征提取网络对特征提取网络进行训练；
计算分类损失和三元组损失；
基于分类损失和三元组损失更新特征提取网络的参数，得到浅层网络A和深层网络B。
进一步，所述浅层网络A和深层网络B设有引导机制，所述浅层网络C与浅层网络A结构一致，所述浅层网络C处于浅层网络A、深层网络B和聚类的环外。
进一步，所述数据增强包括对图像进行按比例缩放、裁剪和水平旋转处理。
进一步，所述根据浅层网络A的参数对浅层网络C进行更新具体采用动量更新的方式，包括：
每一轮对浅层网络A的更新后，根据浅层网络A的现有参数，对浅层网络C进行更新，直至浅层网络A的参数不再变更。
进一步，所述根据浅层网络A的参数对浅层网络C进行更新具体用公式表示为：
Ct＝λCt-1+(1-λ)At
其中，Ct表示的是t时刻浅层网络C的参数，At表示的是t时刻浅层网络A的参数，λ是平衡因子。
进一步，所述对待查行人图像特征和数据库行人图像特征集合进行特征距离计算，得到相似度列表这一步骤，其具体包括：
将数据库行人图像特征集合中的特征按预设顺序分别与待查行人图像特征计算余弦距离；
对余弦距离进行排序，得到图像相似度列表。
本发明所采用的第二技术方案是：一种基于聚类生成伪标签的无监督行人重识别系统，包括：
训练模块，用于构建浅层网络A、深层网络B和浅层网络C并对网络进行训练，得到训练完成的浅层网络C；
识别模块，基于训练完成的浅层网络C对待查行人图像和数据库行人图像进行特征提取并计算特征距离，得到相似度列表。
本发明方法及系统的有益效果是：本发明通过使用双流网络使得提取的特征向量将更具有表征能力；通过构建一个处于网络和聚类环以外的网络，避免偶尔产生的错误在迭代过程中无法纠正的情况，减少错误在闭环中的增益；通过引导机制让深层网络引导浅层网络，使得浅层网络在不增加网络深度的情况下学习到更鲁棒的特征向量。
附图说明
图1是本发明具体实施例的训练步骤流程图；
图2是本发明具体实施例的测试步骤流程图；
图3是本发明一种基于聚类生成伪标签的无监督行人重识别系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2，本发明提供了一种基于聚类生成伪标签的无监督行人重识别方法，该方法包括以下步骤：
获取带标签的行人图像训练集并对特征提取网络进行初步训练，得到浅层网络A和深层网络B；
将行人图像经过数据增强后分别输入到浅层网络A和深层网络B，得到对应的特征向量fA和fB；
将特征向量fA和fB进行拼接融合，得到融合后特征向量fcat；
基于融合后特征向量fcat对行人图像数据集的特征向量进行聚类，并为行人图像数据集中的行人图像赋予伪标签；
具体地，聚类前根据不同的数据集拟定相对应的聚类中心数目，对所有的行人图片的特征进行KMeans聚类，并定义聚类中心的个数。聚类完成后，给每一张图像一个聚类对应的伪标签
基于伪标签对浅层网络A和深层网络B进行训练并根据浅层网络A的参数对浅层网络C进行更新，得到训练完成的浅层网络C；
将待查行人图像和数据库行人图像输入到训练完成的浅层网络C，得到待查行人图像特征和数据库行人图像特征集合；
对待查行人图像特征和数据库行人图像特征集合进行特征距离计算，得到相似度列表。
进一步作为本方法的优选实施例，所述获取带标签的行人图像训练集并对特征提取网络进行初步训练，得到浅层网络A和深层网络B这一步骤，其具体包括：
获取标签的行人图像训练集并将带标签的行人图像训练集中的行人图像输入特征提取网络对特征提取网络进行训练；
计算分类损失和三元组损失；
基于分类损失和三元组损失更新特征提取网络的参数，得到浅层网络A和深层网络B。
具体地，基于伪标签对浅层网络A和深层网络B进行训练与上述训练步骤同理。
进一步作为本方法的优选实施例，所述浅层网络A和深层网络B设有引导机制，所述浅层网络C与浅层网络A结构一致，所述浅层网络C处于浅层网络A、深层网络B和聚类的环外。
具体地，网络C处于网络A，网络B和聚类的环外，可以避免因某个迭代训练轮次中出现的一次错误而导致闭环误差不断放大，从而无法纠正的情况。
进一步作为本方法的优选实施例，所述数据增强包括对图像进行按比例缩放、裁剪和水平旋转处理，且都设置了一定的随机参数。
进一步作为本方法优选实施例，所述根据浅层网络A的参数对浅层网络C进行更新具体采用动量更新的方式，包括：
每一轮对浅层网络A的更新后，根据浅层网络A的现有参数，对浅层网络C进行更新，直至浅层网络A的参数不再变更或达到预设的迭代次数。
进一步作为本方法优选实施例，所述根据浅层网络A的参数对浅层网络C进行更新具体用公式表示为：
Ct＝λCt-1+(1-λ)At
其中，Ct表示的是t时刻浅层网络C的参数，At表示的是t时刻浅层网络A的参数，λ是平衡因子。
进一步作为本方法优选实施例，所述对待查行人图像特征和数据库行人图像特征集合进行特征距离计算，得到相似度列表这一步骤，其具体包括：
将数据库行人图像特征集合中的特征按预设顺序分别与待查行人图像特征计算余弦距离；
具体地，计算余弦距离用公式表示为：
d(a，b)＝cos(a，b)
对余弦距离进行排序，得到图像相似度列表。
本发明通过设计一个有强表征性的多网络特征提取模块，为行人图像提取更有表征性的特征向量，并后续为聚类提供准确的依据，减少聚类生成伪标签时带来的噪声。同时，为解决聚类和训练中存在的闭环而导致的噪声不断被放大的问题，本发明还设计了一个分离模块，将一个网络置于环外，并将此网络用于后续的检测分类测试，减少因噪声带来的闭环持续误差。多网络特征提取模块采用了两个网络，分别是一个深层网络和一个浅层网络。浅层网络用于提取一般性特征，深层网络用于提取更富有语义的特征。图像通过这两个网络后，生成两个对应的特征向量。将这两个特征向量进行融合，可以得到更有特征性的向量。使用此向量进行后续的聚类操作，可以使生成的伪标签更准确且噪声更少。分离模块处于多网络特征提取模块和聚类的环外。参数更新时使用动量的方式更新，避免噪声不断迭代产生的误差。在测试阶段，用分离模块的网络进行测试。
如图3所示，一种基于聚类生成伪标签的无监督行人重识别系统，包括：
训练模块，用于构建浅层网络A、深层网络B和浅层网络C并对网络进行训练，得到训练完成的浅层网络C；
识别模块，基于训练完成的浅层网络C对待查行人图像和数据库行人图像进行特征提取并计算特征距离，得到相似度列表。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种基于聚类生成伪标签的无监督行人重识别方法，其特征在于，包括以下步骤：
获取带标签的行人图像训练集并对特征提取网络进行初步训练，得到浅层网络A和深层网络B；
将行人图像经过数据增强后分别输入到浅层网络A和深层网络B，得到对应的特征向量fA和fB；
将特征向量fA和fB进行拼接融合，得到融合后特征向量fcat；
基于融合后特征向量fcat对行人图像数据集的特征向量进行聚类，并为行人图像数据集中的行人图像赋予伪标签；
基于伪标签对浅层网络A和深层网络B进行训练并根据浅层网络A的参数对浅层网络C进行更新，得到训练完成的浅层网络C；
将待查行人图像和数据库行人图像输入到训练完成的浅层网络C，得到待查行人图像特征和数据库行人图像特征集合；
对待查行人图像特征和数据库行人图像特征集合进行特征距离计算，得到相似度列表；
所述浅层网络A和深层网络B设有引导机制，所述浅层网络C与浅层网络A结构一致，所述浅层网络C处于浅层网络A、深层网络B和聚类的环外；
根据浅层网络A的参数对浅层网络C进行更新，具体采用动量更新的方式，每一轮对浅层网络A的更新后，根据浅层网络A的现有参数，对浅层网络C进行更新，直至浅层网络A的参数不再变更；
所述根据浅层网络A的参数对浅层网络C进行更新具体用公式表示为：
Ct＝λCt-1+(1-λ)At
其中，Ct表示的是t时刻浅层网络C的参数，At表示的是t时刻浅层网络A的参数，λ是平衡因子。
2.根据权利要求1所述一种基于聚类生成伪标签的无监督行人重识别方法，其特征在于，所述获取带标签的行人图像训练集并对特征提取网络进行初步训练，得到浅层网络A和深层网络B这一步骤，其具体包括：
获取标签的行人图像训练集并将带标签的行人图像训练集中的行人图像输入特征提取网络对特征提取网络进行训练；
计算分类损失和三元组损失；
基于分类损失和三元组损失更新特征提取网络的参数，得到浅层网络A和深层网络B。
3.根据权利要求2所述一种基于聚类生成伪标签的无监督行人重识别方法，其特征在于，所述数据增强包括对图像进行按比例缩放、裁剪和水平旋转处理。
4.根据权利要求3所述一种基于聚类生成伪标签的无监督行人重识别方法，其特征在于，所述对待查行人图像特征和数据库行人图像特征集合进行特征距离计算，得到相似度列表这一步骤，其具体包括：
将数据库行人图像特征集合中的特征按预设顺序分别与待查行人图像特征计算余弦距离；
对余弦距离进行排序，得到图像相似度列表。
5.一种基于聚类生成伪标签的无监督行人重识别系统，其特征在于，包括以下模块：
训练模块，用于构建浅层网络A、深层网络B和浅层网络C并对网络进行训练，得到训练完成的浅层网络C；
识别模块，基于训练完成的浅层网络C对待查行人图像和数据库行人图像进行特征提取并计算特征距离，得到相似度列表；
所述浅层网络A和深层网络B设有引导机制，所述浅层网络C与浅层网络A结构一致，所述浅层网络C处于浅层网络A、深层网络B和聚类的环外；
根据浅层网络A的参数对浅层网络C进行更新，具体采用动量更新的方式，每一轮对浅层网络A的更新后，根据浅层网络A的现有参数，对浅层网络C进行更新，直至浅层网络A的参数不再变更；
所述根据浅层网络A的参数对浅层网络C进行更新具体用公式表示为：
Ct＝λCt-1+(1-λ)At
其中，Ct表示的是t时刻浅层网络C的参数，At表示的是t时刻浅层网络A的参数，λ是平衡因子。
CN202110224114.4A 2021-03-01 2021-03-01 一种基于聚类生成伪标签的无监督行人重识别方法及系统 Active CN112836675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110224114.4A CN112836675B (zh) 2021-03-01 2021-03-01 一种基于聚类生成伪标签的无监督行人重识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110224114.4A CN112836675B (zh) 2021-03-01 2021-03-01 一种基于聚类生成伪标签的无监督行人重识别方法及系统

Publications (2)

Publication Number Publication Date
CN112836675A CN112836675A (zh) 2021-05-25
CN112836675B true CN112836675B (zh) 2023-06-23

Family

ID=75934148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110224114.4A Active CN112836675B (zh) 2021-03-01 2021-03-01 一种基于聚类生成伪标签的无监督行人重识别方法及系统

Country Status (1)

Country Link
CN (1) CN112836675B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822262B (zh) * 2021-11-25 2022-04-15 之江实验室 一种基于无监督学习的行人重识别方法
CN115100690B (zh) * 2022-08-24 2022-11-15 天津大学 一种基于联合学习的图像特征提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112232439A (zh) * 2020-11-06 2021-01-15 四川云从天府人工智能科技有限公司 非监督ReID中的伪标签更新方法及系统
CN112347995A (zh) * 2020-11-30 2021-02-09 中国科学院自动化研究所 基于像素和特征转移相融合的无监督行人再识别方法
CN114067356A (zh) * 2021-10-21 2022-02-18 电子科技大学 基于联合局部引导与属性聚类的行人重识别方法
CN114550091A (zh) * 2022-02-24 2022-05-27 以萨技术股份有限公司 基于局部特征的无监督行人重识别方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112232439A (zh) * 2020-11-06 2021-01-15 四川云从天府人工智能科技有限公司 非监督ReID中的伪标签更新方法及系统
CN112347995A (zh) * 2020-11-30 2021-02-09 中国科学院自动化研究所 基于像素和特征转移相融合的无监督行人再识别方法
CN114067356A (zh) * 2021-10-21 2022-02-18 电子科技大学 基于联合局部引导与属性聚类的行人重识别方法
CN114550091A (zh) * 2022-02-24 2022-05-27 以萨技术股份有限公司 基于局部特征的无监督行人重识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于AT-PGGAN的增强数据车辆型号精细识别;杨昌东;余烨;徐珑刀;付源梓;路强;;中国图象图形学报(第03期);第1-5页 *

Also Published As

Publication number Publication date
CN112836675A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN109117777B (zh) 生成信息的方法和装置
CN111259786B (zh) 一种基于视频的外观和运动信息同步增强的行人重识别方法
Huang et al. Person search in videos with one portrait through visual and temporal links
Vahdani et al. Deep learning-based action detection in untrimmed videos: A survey
CN108288051B (zh) 行人再识别模型训练方法及装置、电子设备和存储介质
Tsagkatakis et al. Online distance metric learning for object tracking
CN109902202B (zh) 一种视频分类方法及装置
CN111639564B (zh) 一种基于多注意力异构网络的视频行人重识别方法
CN110717411A (zh) 一种基于深层特征融合的行人重识别方法
Yang et al. Tracking based multi-orientation scene text detection: A unified framework with dynamic programming
CN111027377B (zh) 一种双流神经网络时序动作定位方法
CN112836675B (zh) 一种基于聚类生成伪标签的无监督行人重识别方法及系统
Xie et al. Progressive unsupervised person re-identification by tracklet association with spatio-temporal regularization
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN114186069B (zh) 基于多模态异构图注意力网络的深度视频理解知识图谱构建方法
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
CN115311605B (zh) 基于近邻一致性和对比学习的半监督视频分类方法及系统
CN115841683A (zh) 一种联合多级特征的轻量行人重识别方法
CN109002808B (zh) 一种人体行为识别方法及系统
CN114898266A (zh) 训练方法、图像处理方法、装置、电子设备以及存储介质
Yang et al. Bottom-up foreground-aware feature fusion for practical person search
Nguyen et al. Joint deep cross-domain transfer learning for emotion recognition
Zhu et al. Unsupervised voice-face representation learning by cross-modal prototype contrast
CN114333062A (zh) 基于异构双网络和特征一致性的行人重识别模型训练方法
Zhang [Retracted] Sports Action Recognition Based on Particle Swarm Optimization Neural Networks

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