CN112966647A - 一种基于逐层聚类及增强判别的行人重识别方法 - Google Patents
一种基于逐层聚类及增强判别的行人重识别方法 Download PDFInfo
- Publication number
- CN112966647A CN112966647A CN202110319273.2A CN202110319273A CN112966647A CN 112966647 A CN112966647 A CN 112966647A CN 202110319273 A CN202110319273 A CN 202110319273A CN 112966647 A CN112966647 A CN 112966647A
- Authority
- CN
- China
- Prior art keywords
- model
- layer
- samples
- target domain
- clustering
- 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
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
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Abstract
本发明提出一种基于聚类的无监督模型,使用逐层聚类的方法提高模型在目标域生成的伪标签的质量,并利用生成对抗网络生成辅助样本增强模型对于环境的鲁棒性,以此来形成在开放世界中具有高辨别力的行人重识别模型。其包括以下步骤:1:使用一种逐层聚类的方法,逐渐对提取出的特征向量进行聚合,为置信度较高的簇设置伪标签,并将带伪标签的目标域样本进行监督学习;步骤2:利用生成对抗网络生成跨摄像机的目标域辅助样本,并将其加入到目标域数据中参与聚类迭代以及模型损失优化;步骤3:在辅助样本加入后,结合三元组损失以及交叉熵损失对模型进行分阶段调整,提高模型稳定性。
Description
技术领域:
本发明涉及跨域的行人重识别领域,尤其设计了一种基于逐层聚类及增强判别的行人重识别方法。
背景技术:
行人重新识别是监控和安全中的一项关键任务,其目的是使用探测图像在非重叠的摄像机视图中定位目标行人。凭借卷积神经网络(CNN)的优势,许多行人重识别工作集中在监督学习上,并取得了令人满意的结果。尽管取得了巨大的成功,但它们依赖于大规模的标记数据集,这些数据集成本高昂,有时无法获得。为了解决这个问题,一些无监督的学习方法建议利用大量的未标记数据,这些数据通常更容易收集。不幸的是,由于缺乏监督信息,无监督方法的性能通常较弱,因此在实际应用中不太有效。相比之下,无监督跨域方法建议同时使用标记数据集(源域)和未标记数据集(目标域)。然而,将在源域中训练的模型直接应用于目标域会因为两个域之间的不一致特性导致不令人满意的性能,这被称为域移位问题。
随着深度学习的流行,人们开始将其应用于无监督领域适应。在SPGAN中,为了解决由不同数据集的相机风格相异引起的域移位问题,他们使用CycleGAN将图像样式从源域转换到目标域,同时保持图像标签不变,之后对生成的图像进行监督学习。而对于ECN模型,它侧重于样本不变性,相机不变性以及邻域不变性。基于这三种不变性,ECN分别设置三元组损失,以增加不同样本之间的距离,减少相似样本之间的距离。ECN将样本存储,并为它们设置伪标签。然后,ECN还根据伪标签进行训练,以获得良好的性能。虽然这些方法取得了一定的改进,但大多数只关注源域和目标域的区别。然而,他们没有充分探索目标域中图像的相似性。
最近,如何利用目标域中大量未标记样本的问题引起了越来越多的关注。一些方法集中于估计目标域上的伪身份标签,以便以监督的方式学习深层模型。为了获得伪标签基于聚类的方法被探索并用于学习判别性模型。通常,在特征空间中使用聚类方法来生成一系列聚类,为每个聚类赋予伪标签,之后对带伪标签的样本进行监督学习,以此更新具有嵌入损失(例如,三元组损失)或分类损失(例如,softmax交叉熵损失)的网络。采用这种方式,伪标签的置信度至关重要,同时为了更好的挖掘目标域样本之间的关系,模型对于噪声(如背景、光照、分辨率,等)的鲁棒性,对于人物主体的关注度也决定着模型的性能。
发明内容:
本发明提出一种基于聚类的无监督模型,使用逐层聚类的方法提高模型在目标域生成的伪标签的质量,并利用生成对抗网络生成辅助样本增强模型对于环境的鲁棒性,以此来形成在跨域中具有高辨别力的行人重识别模型。
一种基于逐层聚类及增强判别的无监督模型,其特征在于,包括以下步骤:
步骤1:使用一种逐层聚类的方法,逐渐对提取出的特征向量进行聚合,为置信度较高的簇设置伪标签,并将带伪标签的目标域样本进行监督学习。
步骤2:进行目标域辅助样本的生成,利用生成对抗网络生成跨摄像机的目标域辅助样本,并将其加入到目标域数据中参与聚类迭代以及模型损失优化,以增加模型对于跨摄像机的鲁棒性。
步骤3:使用分阶段的损失函数优化特征提取模型:在辅助样本加入后,结合三元组损失以及交叉熵损失对模型进行分阶段调整,提高模型稳定性的同时,拉近同身份之间的特征距离,增加不同身份间的特征距离。
所述步骤1包括如下步骤:
步骤1.1:源域的监督学习:本发明使用预先在ImageNet训练好的ResNet作为基础,通过对于源域数据的监督学习微调主干特征提取网络。其中源域数据集{Xs,Ys}包含Ms个身份行人的Ns张图片,并且每一张图片xs,i与身份ys,i相对应。
步骤1.2:逐层聚类,使用预训练好的特征提取网络对目标域数据{Xt}进行特征提取,并利用特征存储器对特征向量进行存储。对于逐层聚类,本发明先将Nt张目标域图片均看做n个不同的身份,设置超参数合并速率为mr,聚类总合并数为s,并维护n×n的距离矩阵。每一步根据合并速率合并距离最近的簇,并根据聚类结果生成伪标签。其中簇间度量方式为:
对于聚类Ca,Cb其间的距离更新为Da,b,其中na,nb分别是聚类a,b中各自的样本数,D(·)为欧氏距离。
步骤1.3:本发明使用三元组损失来挖掘难例之间的联系,基于生成的伪标签随机从p个身份中取出k个样本作为新的采用数据集对特征提取网络进行微调。三元组损失函数如下:
本发明将提取特征,逐层聚类,微调模型,性能评估作为一个循环,并不断迭代直到检测性能不再改变。
所述步骤2包括如下步骤:
步骤2.1:本发明使用starGAN来生成跨摄像头的辅助样本,首先使用聚类得到的伪标签对starGAN进行训练,使其能够在不同相机之间进行图像转换。
步骤2.2:使用学习的starGAN模型对每一个类中的样本进行跨摄像头生成,例如,对于样本xi,t,其伪标签身份为yi,t,并且在身份为yi,t中包含着c个摄像头,生成的辅助样本为并且这个簇中样本数量增加了c-1倍。
所述步骤3包括如下步骤:
步骤3.1:对于生成的辅助样本使用步骤1中训练的特征提取网络进行特征提取,并保持它们的伪标签和原样本一致,将这些带着伪标签的辅助样本和原本的目标域样本一并作为特征提取网络的监督学习的输入。
步骤3.2:对于损失函数使用三元组损失函数与softmax交叉熵损失相结合来微调模型。三元组损失函数注重于三个样本特征间的局部关系,随着训练的进行,可能会引起模型的不稳定,为了解决这个问题,在模型使用三元组损失函数迭代性能不再上升时,转而使用softmax交叉熵来对样本的全局信息进行学习,进一步提高模型的泛化能力。
其中yi为xi的伪标签,Nt为聚类生成的类数。
本发明的有益效果:目前基于聚类的无监督跨域行人重识别问题,提高聚类生成的伪标签质量变得至关重要。本发明设计了一种基于逐层聚类的增强判别的行人重识别方法,该方法进一步挖掘目标域样本之间的相似性,产生高置信度的伪标签,同时为了提高模型对于图像重要特征的关注度,应用生成对抗网络对目标域摄像头的风格进行迁移,提高模型对于跨摄像头的鲁棒性。本发明主要包括两个模块:特征提取网络模块与跨摄像头生成模块,通过逐层聚类和分阶段损失函数将两个模块有机的结合起来,最终生成具有高判别力的跨域行人重识别模型。
附图说明:
图1是一种基于逐层聚类及增强判别的行人重识别方法流程图;
图2是基于逐层聚类及增强判别的行人重识别的模型结构图;
图3是训练完成的starGAN在目标域跨摄像头生成的辅助样本示例图;
图4是本实施例中本发明与对比方法的识别准确率对比图;
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作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。
图1是本发明实施的具体流程示意图,该方法包括如下步骤:
步骤1:使用一种逐层聚类的方法,逐渐对提取出的特征向量进行聚合,为置信度较高的簇设置伪标签,并将带伪标签的目标域样本进行监督学习。
步骤2:进行目标域辅助样本的生成,利用生成对抗网络生成跨摄像机的目标域辅助样本,并将其加入到目标域数据中参与聚类迭代以及模型损失优化,以增加模型对于跨摄像机的鲁棒性。
步骤3:使用分阶段的损失函数优化特征提取模型:在辅助样本加入后,结合三元组损失以及交叉熵损失对模型进行分阶段调整,提高模型稳定性的同时,拉近同身份之间的特征距离,增加不同身份间的特征距离。
具体的,图2为本发明提出的基于逐层聚类及增强判别的行人重识别模型的整体结构图,所述步骤1包括如下步骤:
步骤1.1:源域的监督学习:本发明使用预先在ImageNet训练好的ResNet作为基础,通过对于源域数据的监督学习微调主干特征提取网络。其中源域数据集{Xs,Ys}包含Ms个身份行人的Ns张图片,并且每一张图片xs,i与身份ys,i相对应。
步骤1.2:逐层聚类,使用预训练好的特征提取网络对目标域数据{Xt}进行特征提取,并利用特征存储器对特征向量进行存储。对于逐层聚类,本发明先将Nt张目标域图片均看做n个不同的身份,设置超参数合并速率为mr,聚类总合并数为s,并维护n×n的距离矩阵。每一步根据合并速率合并距离最近的簇,并根据聚类结果生成伪标签。其中簇间度量方式为:
对于聚类Ca,Cb其间的距离更新为Da,b,其中na,nb分别是聚类a,b中各自的样本数,D(·)为欧氏距离。
步骤1.3:本发明使用三元组损失来挖掘难例之间的联系,基于生成的伪标签随机从p个身份中取出k个样本作为新的采用数据集对特征提取网络进行微调。三元组损失函数如下:
本发明将提取特征,逐层聚类,微调模型,性能评估作为一个循环,并不断迭代直到检测性能不再改变。
所述步骤2包括如下步骤:
步骤2.1:本发明使用starGAN来生成跨摄像头的辅助样本,首先使用聚类得到的伪标签对starGAN进行训练,使其能够在不同相机之间进行图像转换。
步骤2.2:使用学习的starGAN模型对每一个类中的样本进行跨摄像头生成,如对于样本xi,t,其伪标签身份为yi,t,并且在身份为yi,t中包含着c个摄像头,生成的辅助样本为并且这个簇中样本数量增加了c-1倍。
所述步骤3包括如下步骤:
步骤3.1:对于生成的辅助样本使用步骤1中训练的特征提取网络进行特征提取,并保持它们的伪标签和原样本一致,将这些带着伪标签的辅助样本和原本的目标域样本一并作为特征提取网络的监督学习的输入。
步骤3.2:对于损失函数使用三元组损失函数与softmax交叉熵损失相结合来微调模型。三元组损失函数注重于三个样本特征间的关系,随着训练的进行,可能会引起模型的不稳定,为了解决这个问题,使用softmax交叉熵来对样本的全局信息进行学习,进一步提高模型的泛化能力。
其中yi为xi的伪标签,Nt为聚类生成的类数。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
以上结合附图所述,仅为本发明的具体实施方式及流程,但本发明的保护范围并不局限于此,任何熟悉本领域的技术人员应当理解,此仅为举例说明,可以对此实施方式做出多种变化和替换,而不背离本发明的实质内容。本发明的范围仅由所附权利要求书限定。
本发明通过参考附图描述的实施方式是示例性的,仅用于对本发明进行解释,不能理解为对本发明的限制,本发明的实施例具体范围不受此限制,相反,本发明的所有实施例包括落入所附权利要求书的精神和内涵范围内的所有变化和修改。
Claims (4)
1.一种基于逐层聚类及增强判别的无监督模型,其特征在于,包括以下步骤:
步骤1:使用一种逐层聚类的方法,逐渐对提取出的特征向量进行聚合,为置信度较高的簇设置伪标签,并将带伪标签的目标域样本进行监督学习。
步骤2:进行目标域辅助样本的生成,利用生成对抗网络生成跨摄像机的目标域辅助样本,并将其加入到目标域数据中参与聚类迭代以及模型损失优化,以增加模型对于跨摄像机的鲁棒性。
步骤3:使用分阶段的损失函数优化特征提取模型:在辅助样本加入后,结合三元组损失以及交叉熵损失对模型进行分阶段调整,提高模型稳定性的同时,拉近同身份之间的特征距离,增加不同身份间的特征距离。
2.根据权利要求1所述的基于对抗网络的冗余去除主动学习方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:源域的监督学习:本发明使用预先在ImageNet训练好的ResNet作为基础,通过对于源域数据的监督学习微调主干特征提取网络。其中源域数据集{Xs,Ys}包含Ms个身份行人的Ns张图片,并且每一张图片xs,i与身份ys,i相对应。
步骤1.2:逐层聚类,使用预训练好的特征提取网络对目标域数据{Xt}进行特征提取,并利用特征存储器对特征向量进行存储。对于逐层聚类,本发明先将Nt张目标域图片均看做n个不同的身份,设置超参数合并速率为mr,聚类总合并数为s,并维护n×n的距离矩阵。每一步根据合并速率合并距离最近的簇,并根据聚类结果生成伪标签。其中簇间度量方式为:
对于聚类Ca,Cb其间的距离更新为Da,b,其中na,nb分别是聚类a,b中各自的样本数,D(·)为欧氏距离。
步骤1.3:本发明使用三元组损失来挖掘难例之间的联系,基于生成的伪标签随机从p个身份中取出k个样本作为新的采用数据集对特征提取网络进行微调。三元组损失函数如下:
本发明将提取特征,逐层聚类,微调模型,性能评估作为一个循环,并不断迭代直到检测性能不再改变。
4.根据权利要求1所述的基于对抗网络的冗余去除主动学习方法,其特征在于,所述步骤3包括如下步骤:
步骤3.1:对于生成的辅助样本使用步骤1中训练的特征提取网络进行特征提取,并保持它们的伪标签和原样本一致,将这些带着伪标签的辅助样本和原本的目标域样本一并作为特征提取网络的监督学习的输入。
步骤3.2:对于损失函数使用三元组损失函数与softmax交叉熵损失相结合来微调模型。三元组损失函数注重于三个样本特征间的关系,随着训练的进行,可能会引起模型的不稳定,为了解决这个问题,在模型使用三元组损失函数迭代性能不再上升时,转而使用softmax交叉熵来对样本的全局信息进行学习,进一步提高模型的泛化能力。
其中yi为xi的伪标签,Nt为聚类生成的类数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110319273.2A CN112966647A (zh) | 2021-03-25 | 2021-03-25 | 一种基于逐层聚类及增强判别的行人重识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110319273.2A CN112966647A (zh) | 2021-03-25 | 2021-03-25 | 一种基于逐层聚类及增强判别的行人重识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966647A true CN112966647A (zh) | 2021-06-15 |
Family
ID=76278392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110319273.2A Pending CN112966647A (zh) | 2021-03-25 | 2021-03-25 | 一种基于逐层聚类及增强判别的行人重识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966647A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642547A (zh) * | 2021-10-18 | 2021-11-12 | 中国海洋大学 | 一种基于密度聚类的无监督域适应人物重识别方法及系统 |
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 |
CN113822262A (zh) * | 2021-11-25 | 2021-12-21 | 之江实验室 | 一种基于无监督学习的行人重识别方法 |
CN113836300A (zh) * | 2021-09-24 | 2021-12-24 | 中国电信股份有限公司 | 日志分析方法、系统、设备及存储介质 |
CN114022904A (zh) * | 2021-11-05 | 2022-02-08 | 湖南大学 | 一种基于两阶段的噪声鲁棒行人重识别方法 |
Citations (11)
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 |
CN111539370A (zh) * | 2020-04-30 | 2020-08-14 | 华中科技大学 | 一种基于多注意力联合学习的图像行人重识别方法和系统 |
CN111597978A (zh) * | 2020-05-14 | 2020-08-28 | 公安部第三研究所 | 基于StarGAN网络模型实现行人重识别图片自动生成的方法 |
US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
CN111723645A (zh) * | 2020-04-24 | 2020-09-29 | 浙江大学 | 用于同相机内有监督场景的多相机高精度行人重识别方法 |
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 |
CN111881716A (zh) * | 2020-06-05 | 2020-11-03 | 东北林业大学 | 一种基于多视角生成对抗网络的行人重识别方法 |
CN111967294A (zh) * | 2020-06-23 | 2020-11-20 | 南昌大学 | 一种无监督域自适应的行人重识别方法 |
CN112232241A (zh) * | 2020-10-22 | 2021-01-15 | 华中科技大学 | 一种行人重识别方法、装置、电子设备和可读存储介质 |
CN112364791A (zh) * | 2020-11-17 | 2021-02-12 | 中南民族大学 | 一种基于生成对抗网络的行人重识别方法和系统 |
CN112507901A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
-
2021
- 2021-03-25 CN CN202110319273.2A patent/CN112966647A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
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 |
CN111723645A (zh) * | 2020-04-24 | 2020-09-29 | 浙江大学 | 用于同相机内有监督场景的多相机高精度行人重识别方法 |
CN111539370A (zh) * | 2020-04-30 | 2020-08-14 | 华中科技大学 | 一种基于多注意力联合学习的图像行人重识别方法和系统 |
CN111597978A (zh) * | 2020-05-14 | 2020-08-28 | 公安部第三研究所 | 基于StarGAN网络模型实现行人重识别图片自动生成的方法 |
CN111881716A (zh) * | 2020-06-05 | 2020-11-03 | 东北林业大学 | 一种基于多视角生成对抗网络的行人重识别方法 |
CN111967294A (zh) * | 2020-06-23 | 2020-11-20 | 南昌大学 | 一种无监督域自适应的行人重识别方法 |
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 |
CN112232241A (zh) * | 2020-10-22 | 2021-01-15 | 华中科技大学 | 一种行人重识别方法、装置、电子设备和可读存储介质 |
CN112364791A (zh) * | 2020-11-17 | 2021-02-12 | 中南民族大学 | 一种基于生成对抗网络的行人重识别方法和系统 |
CN112507901A (zh) * | 2020-12-14 | 2021-03-16 | 华南理工大学 | 一种基于伪标签自纠正的无监督行人重识别方法 |
Non-Patent Citations (2)
Title |
---|
王泓蒴: "基于无监督学习的聚类合并行人重识别", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 August 2020 (2020-08-15), pages 138 - 698 * |
许荣森: "跨域场景下行人重识别算法的设计与优化", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 June 2020 (2020-06-15), pages 138 - 816 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113836300A (zh) * | 2021-09-24 | 2021-12-24 | 中国电信股份有限公司 | 日志分析方法、系统、设备及存储介质 |
CN113642547A (zh) * | 2021-10-18 | 2021-11-12 | 中国海洋大学 | 一种基于密度聚类的无监督域适应人物重识别方法及系统 |
CN113642547B (zh) * | 2021-10-18 | 2022-02-11 | 中国海洋大学 | 一种基于密度聚类的无监督域适应人物重识别方法及系统 |
CN114022904A (zh) * | 2021-11-05 | 2022-02-08 | 湖南大学 | 一种基于两阶段的噪声鲁棒行人重识别方法 |
CN114022904B (zh) * | 2021-11-05 | 2023-01-24 | 湖南大学 | 一种基于两阶段的噪声鲁棒行人重识别方法 |
CN113822262A (zh) * | 2021-11-25 | 2021-12-21 | 之江实验室 | 一种基于无监督学习的行人重识别方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163110B (zh) | 一种基于迁移学习和深度特征融合的行人重识别方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN112966647A (zh) | 一种基于逐层聚类及增强判别的行人重识别方法 | |
Deng et al. | Variational prototype learning for deep face recognition | |
CN110689086B (zh) | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 | |
CN113326731B (zh) | 一种基于动量网络指导的跨域行人重识别方法 | |
CN111666851B (zh) | 一种基于多粒度标签的交叉域自适应行人重识别方法 | |
Ge et al. | An attention mechanism based convolutional LSTM network for video action recognition | |
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 | |
Lin et al. | RSCM: Region selection and concurrency model for multi-class weather recognition | |
CN110929679B (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN110598018B (zh) | 一种基于协同注意力的草图图像检索方法 | |
Yee et al. | DeepScene: Scene classification via convolutional neural network with spatial pyramid pooling | |
CN113657267B (zh) | 一种半监督行人重识别方法和装置 | |
CN111931814A (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
JP2022082493A (ja) | ノイズチャネルに基づくランダム遮蔽回復の歩行者再識別方法 | |
CN112801182A (zh) | 一种基于困难样本感知的rgbt目标跟踪方法 | |
CN114386482B (zh) | 一种基于半监督增量学习的图片分类系统及分类方法 | |
Kim et al. | A shape preserving approach for salient object detection using convolutional neural networks | |
CN116229179A (zh) | 基于宽度学习系统的双松弛图像分类方法 | |
CN111695531A (zh) | 一种基于异构卷积网络的跨域行人再识别方法 | |
Zhuang et al. | A handwritten Chinese character recognition based on convolutional neural network and median filtering | |
Yang et al. | Attention-based dynamic alignment and dynamic distribution adaptation for remote sensing cross-domain scene classification |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210615 |