CN113033281A - 一种对象重识别的方法、装置及设备 - Google Patents

一种对象重识别的方法、装置及设备 Download PDF

Info

Publication number
CN113033281A
CN113033281A CN202011483068.1A CN202011483068A CN113033281A CN 113033281 A CN113033281 A CN 113033281A CN 202011483068 A CN202011483068 A CN 202011483068A CN 113033281 A CN113033281 A CN 113033281A
Authority
CN
China
Prior art keywords
attribute
image
category
detected
similarity
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
Application number
CN202011483068.1A
Other languages
English (en)
Other versions
CN113033281B (zh
Inventor
郑冬
张兴明
潘华东
唐邦杰
苏慧
殷俊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011483068.1A priority Critical patent/CN113033281B/zh
Publication of CN113033281A publication Critical patent/CN113033281A/zh
Application granted granted Critical
Publication of CN113033281B publication Critical patent/CN113033281B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • 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

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)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种对象重识别的方法、装置及设备，用于提高对象检索的准确性。该方法包括：从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。

Description

一种对象重识别的方法、装置及设备
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种对象重识别的方法、装置及设备。
背景技术
近年来，随着安防领域中视频监控应用的快速发展，每时每刻都会产生海量的视频图像数据。在海量的视频图像数据中，快速检索特定的对象是安防场景应用中最重要的任务之一。对象检索是一种基于视频结构化描述构建的对象数据库，结合图像优选、属性识别、目标跟踪等计算机视觉算法，检索图像或视频序列中特定对象的技术。
目前对象检索的主要流程为：选定特定对象图像，在结构化算法构建的对象数据库中，计算所有对象数据库中的对象与特定对象的相似度得分，对计算结果进行排序，从而得到与特定对象最接近的序列结果。然而，在实际场景中，由于监控设备不同的色差和环境的影响，以及特定对象状态的改变，导致相似度得分较低，对象检索的准确性不高。
发明内容
本发明提供一种对象重识别的方法、装置及设备，用于提高对象检索的准确性。
第一方面，本发明实施例提供的一种对象重识别的方法，包括：
从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
本发明实施例可以根据不同的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度，本实施例将属性以及该属性下的类别作为修正的依据修正相似度的过程，可以理解为依据对象的状态变化，以及该变化的状态对相似度的贡献程度来修正相似度以使获得更加准确的待检对象图像，即与所述目标对象图像更加匹配的待检对象图像。
作为一种可选的实施方式，修正所述待检对象图像与所述目标对象图像的相似度，包括：
若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；或
若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度，包括：
根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值，包括：
若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；或
若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零。
作为一种可选的实施方式，根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，包括：
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；或，
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。
作为一种可选的实施方式，根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，包括：
根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
作为一种可选的实施方式，根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，包括：
根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
第二方面，本发明实施例提供的一种对象重识别的装置，包括：
确定相似单元，用于从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
确定类别单元，用于针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
修正单元，用于根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定匹配单元，用于确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
作为一种可选的实施方式，所述修正单元具体用于：
若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；或
若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述修正单元具体用于：
根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述修正单元具体用于：
若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；或
若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零。
作为一种可选的实施方式，所述修正单元具体用于：
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；或，
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。
作为一种可选的实施方式，所述修正单元具体用于：
根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
作为一种可选的实施方式，所述修正单元具体用于：
根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
第三方面，本发明实施例还提供一种对象重识别的设备，该设备包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
作为一种可选的实施方式，所述处理器具体被配置为执行：
若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；或
若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述处理器具体被配置为执行：
若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；或
若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零。
作为一种可选的实施方式，所述处理器具体被配置为执行：
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；或，
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
第四方面，本发明实施例还提供计算机存储介质，其上存储有计算机程序，该程序被处理器执行时用于实现上述第一方面所述方法的步骤。
本申请的这些方面或其他方面在以下的实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种对象重识别方法的具体实施流程图；
图2为本发明实施例提供的一种具体的对象重识别的实施流程图；
图3为本发明实施例提供的一种对象重识别的装置示意图；
图4为本发明实施例提供的一种对象重识别的设备示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例1
近年来，随着安防领域中视频监控应用的快速发展，每时每刻都会产生海量的视频图像数据，在海量的视频图像数据中，快速检索特定的对象是安防场景应用中最重要的任务之一。对象检索是一种基于视频结构化描述构建的对象数据库，结合图像优选、属性识别、目标跟踪等计算机视觉算法，检索图像或视频序列中特定对象的技术。其中，对象用于表示需要检索的人、物、动物等。
对象检索的主要流程为：选定特定对象图像，在结构化算法构建的对象数据库中，计算所有底库对象与检索对象的相似度得分，对计算结果进行排序，从而得到与检索对象最接近的序列结果。然而，在实际场景中，由于监控设备不同的色差和环境的影响，以及检索对象状态的改变(如检索对象由正在步行改为骑电动车，由不背包改为背包)，导致其相似度得分较低，对象检索的准确性不高。
目前针对特定对象的重识别，第一种是利用结合了三种不同任务的网络模型进行重识别，但是由于该网络模型过于复杂，在训练迭代过程中需要消耗大量的时间，并且在测试过程中效率较低，难以满足大多数实时场景，此外，同时获取三种任务的训练数据代价较大，在实际应用，这三种任务对数据的需求量也有所不同，难以在工程应用中部署实现。第二种是通过在两个不同尺度的特征图上预测对象的多个属性，并使用乘积的方式将属性分支和对象识别分支的特征向量进行融合，但是，由于训练数据分布的不同，不同属性对对象检索结果的贡献度也有所不同，该方法没有很好的避免这一问题。第三种是分别设计了属性分支以及ID分支实现融合属性的对象检索任务，其设计的主要缺点在于网络在训练阶段需要分别进行两个分支的监督学习及IIA部分的自适应学习，其训练过程较为复杂。
本发明实施例没有采用融合的网络模型统一进行训练，而是采用单独训练的多个模块对目标对象图像进行重识别，首先通过一个网络模型对目标对象图像进行重识别得到待检对象图像，然后通过一个属性分类模型对识别得到的待检对象图像以及目标对象图像进行属性分类，最后根据每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度。其中，本发明实施例中确定与目标对象图像相似的待检对象图像的过程是通过独立的一个网络模型得到的，更容易获取到训练样本图像对网络模型进行训练，而确定待检对象图像和目标对象图像的属性类别是通过另一个独立的网络模型得到的，在训练的过程中更容易获取到训练样本图像，训练数据获取简单，容易在工程应用中实现部署，并且根据不同属性对对象检索结果相似度的贡献，能够更精确地进行目标对象的重识别。
为了解决对象检索算法中，对象状态变化较大时检索结果较差的问题，结合对象属性识别算法，提出了一种对象重识别方法，该方法考虑了对象的固有属性和其它属性对对象检索结果的不同贡献度，提出了一种基于属性置信度对待检对象图像的相似度进行加权奖惩的方式。
如图1所示，本发明实施例提供的一种对象重识别方法的具体实施流程如下所示：
步骤100、从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
实施中，本发明通过检索网络模型提取目标对象图像和待检对象图像的特征向量，通过计算目标对象图像的目标特征向量与待检对象图像的待检特征向量之间的余弦相似度，确定与目标对象图像的相似度在预设范围内的待检对象图像。其中，将样本目标对象图像以及与所述样本对象图像相似度在预设范围内的样本待检对象图像作为所述检索网络模型的训练样本，将样本目标对象图像作为所述检索网络模型的输入，以及将样本待检对象图像作为所述检索网络模型的输出，对所述检索网络模型进行训练。
可选的，筛选出与目标对象图像的相似度在预设范围内的待检对象图像之后，按照每个待检对象图像对应的相似度的大小顺序，生成相似度列表，便于后续计算属性分类。
步骤101针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
需要说明的是，本发明实施例可以确定每个对象图像的属性以及该属性对应的类别，其中，本发明实施例中的属性包括多种，每种属性包括多个类别。针对每一种属性，本发明实施例可以确定目标对象图像在该属性下的类别，以及待检对象图像在该属性下的类别，并且，本发明实施例中能够确定每个对象图像在该属性下的各个类别的置信度，并将最大置信度对应的类别作为该对象图像在该属性下的属性分类。
实施中，通过属性分类模型对每个待检对象图像进行属性分类，确定出每个待检对象图像的属性以及该属性下的第二类别，其中在确定该属性下的第二类别之前，能够得到该属性下各个类别的置信度，将置信度最大的作为待检对象图像的第二类别。同样，通过属性分类模型对目标对象图像进行属性分类，确定出每个目标对象图像的属性以及该属性下的第一类别。
步骤102、根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
步骤103、确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
本发明实施例中的不同属性对应的属性权重不同，具体可根据该属性是否为如下属性中的任一种来确定：固有属性、附属属性、特有属性。其中，固有属性用于表征不会改变的属性；附属属性用于表征在短期内有一定的概率会改变，例如上衣类型、上衣纹理、下衣类型、帽子类型和是否背包等；特有属性为在一定情况下特定的属性，例如是否骑非机动车和非机动车类型等，特有属性能够划分对象与对象骑非机动车的依据，用于划分对象检索与对象骑非机动车检索任务。可选的，本实施例中固有属性的权重大于附属属性的权重，特有属性的权重可根据需要设定。
本发明实施例可以根据不同的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度，本实施例将属性以及该属性下的类别作为修正的依据修正相似度的过程，可以理解为依据对象的状态变化，以及该变化的状态对相似度的贡献程度来修正相似度以使获得更加准确的待检对象图像，即与所述目标对象图像更加匹配的待检对象图像。
作为一种可选的实施方式，本发明实施例对相似度在预设范围内的待检对象图像进行相似度修正，其中预设范围为大于或等于最小相似度阈值，且小于最大相似度阈值之间的范围。容易理解的是，若确定的待检对象图像与目标对象图像的相似度小于最小相似度阈值，则认为该待检对象图像中的对象与所述目标对象图像中的对象不是同一个对象；若确定的待检对象图像与目标对象图像的相似度大于最大相似度阈值，则认为该待检对象图像中的对象与所述目标对象图像中的对象是同一个对象；这两种情况下都没有对待检对象图像进行相似度修正的必要，因此本实施例为了精简数据，对待检对象图像进行筛选，筛选出相似度在预设范围内的待检对象图像进行属性分类，并进一步进行相似度修正。此外，对于所有属性额外增加一个未知的类别判断，当模型输出属性类别为未知时，则该属性不参与相似度修正计算，这一步骤可一定程度上较少模型由于属性识别错误导致相似度降低的问题。
作为一种可选的实施方式，本发明实施例中通过如下任一方式修正所述待检对象图像与所述目标对象图像的相似度，包括：
方式1、若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；
方式2、若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
方式3、若所述第一类别或所述第二类别任意一类为未知时，则不对所述待检对象图像与所述目标对象图像的相似度对应的类别进行修正。
本发明实施例能够在目标对象图像的第一类别与待检对象图像的第二类别相同的情况下，提高该待检对象图像对应的相似度，也能够在目标对象图像的第一类别与待检对象图像的第二类别不相同的情况下，降低该待检对象图像对应的相似度。
作为一种可选的实施方式，本发明实施例中的属性包括如下任多种：
固有属性、上衣类型、上衣纹理、下衣类型、帽子类型、是否背包、是否骑非机动车、非机动车类型。
每种属性对应的所有类别如下表所示：
Figure RE-GDA0003076253150000121
作为一种可选的实施方式，根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度，包括：
1)根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
可选的，具体通过如下方式确定每种属性下所述待检对象图像的修正值：
11)若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；
实施中，根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
12)若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零；
13)若任一属性下所述第一类别或所述第二类别为未知时，则所述属性下所述待检对象图像的修正值不变；
可选的，通过如下方式根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值：
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零；
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；
实施中，根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
2)对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
实施中，可通过如下公式确定非特有属性下待检对象图像的修正值：
Figure RE-GDA0003076253150000141
其中，S_Attri是属性i下待检对象图像的修正值；
Sori是待检对象图像与所述目标对象图像的相似度；
Smax是最大相似度阈值，Smin是最小相似度阈值；
i是属性对应的下标i∈[1,n]，n是属性个数；
Wi是属性i的属性权重；
ci_max是待检对象图像在属性i中的与目标对象图像的类别相同类别的置信度，即待检对象图像在属性i对应的所有类别的置信度中的最大置信度；
qi_max表示目标对象图像的第一类别，ti_max表示待检对象图像的第二类别；cqi_max表示在qi_max和ti_max不相同且属性i为非特有属性的条件下，目标对象图像在待检对象图像的各个类别中，与所述目标对象图像的第一类别相同的类别的置信度，例如，qi_max表示目标对象图像的属性为年龄，该年龄属性下的第一类别为小孩，ti_max表示待检对象图像的属性为年龄，该年龄属性下的第二类别为成人，则cqi_max为待检对象图像在年龄属性中第二类别为小孩的置信度。
上述公式分为两部分，当目标对象图像与待检对象图像对应的属性类别匹配时，待检对象图像的类别置信度乘以权重和奖励得分的最大值作为其奖励得分提高待检对象图像的相似度；当目标对象图像与待检对象图像对应的属性类别不匹配时，待检对象图像的类别置信度乘以权重和惩罚减分的最大值作为其惩罚减分降低待检对象图像的相似度。
其中，上述公式中，若任一属性下所述第一类别与所述第二类别不相同，且所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。实施中，针对特有属性，本发明实施例提供如下公式确定所述特有属性下所述待检对象图像的修正值：
Figure RE-GDA0003076253150000151
其中，Snonmotor表示特有属性下待检对象图像的修正值；
Sori是待检对象图像与所述目标对象图像的相似度；
Smax是最大相似度阈值，Smin是最小相似度阈值；
W9表示特有属性的属性权重；例如特有属性是否骑非机动车的属性权重；
t8_max为待检对象图像在特有属性下的第二类别，例如是否骑非机动车的第二类别为是表示骑非机动车，第二类别为否表示没有骑非机动车；q8_max为目标对象图像在特有属性下的第一类别，例如是否骑非机动车的第一类别为是表示骑非机动车，第一类别为否表示没有骑非机动车；t9_max为与特有属性关联的特有关联属性下待检对象图像的类别，例如关联属性为非机动车类别，则 t9_max表示在非机动车类别下的第二类别，如第二类别为电动车；q9_max为与特有属性关联的特有关联属性下目标对象图像的类别，例如关联属性为非机动车类别，则q9_max表示在非机动车类别下的第一类别，如第一类别为电动车；
c9_max为在待检对象图像的特有属性类别为是且与该特有属性相关联的特有关联属性下待检对象图像的类别与目标对象图像的类别相同的条件下，待检对象图像在特有属性中的与目标对象图像的类别相同类别的置信度，即待检对象图像在特有属性对应的所有类别的置信度中的最大置信度；
可选的，本发明实施例针对特有属性相同但特有关联属性不相同的情况，设置了与特有属性相同且特有关联属性也相同的条件下，不同的确定修正值的公式。在目标对象图像与待检对象图像的特有属性相同，且与所述特有属性相关的特有关联属性不同的条件下，根据所述特有属性的属性权重以及所述待检对象图像在所述特有属性下各个类别中第二类别的置信度，确定所述特有属性下所述待检对象图像的修正值，其中所述修正值小于零。
根据上述公式计算得到的每个属性下所述待检对象图像的修正值，通过如下公式将对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
Figure RE-GDA0003076253150000161
其中，Snew为累加得到的总修正值，Sori是待检对象图像与所述目标对象图像的相似度，Snonmotor表示特有属性下待检对象图像的修正值，
Figure RE-GDA0003076253150000162
表示非特有属性下待检对象图像的修正值，N是所有参与计算的属性数量，k 是属性第一类别与第二类别相同的属性的数量，通过增加
Figure RE-GDA0003076253150000163
这一权值可以进一步提升属性匹配数量多的待检图像的相似度，降低属性匹配数量少的待检图像的相似度。
通过上述计算，最终确定出修正后的相似度大于阈值的待检对象图像，将所述相似度大于阈值的待检对象图像作为与目标对象图像匹配的图像。
需要说明的是，由于本发明实施例是对特定对象的重识别，因此本实施例中是以目标对象图像的属性以及类别为基准，筛选待检对象图像，容易理解的是，若目标对象图像为需要检索的特定图像，则根据该特定图像的属性以及类别，从待检对象图像中筛选出与该特定图像最匹配的图像，从而达到检索或重识别的目的。因此，本发明实施例根据该待检对象图像在每种属性下各个类别的置信度，对每种属性下待检对象图像的相似度进行修正，并将每种属性下的修正值进行累加从而达到更准确地确定匹配的待检对象图像。
如图2所示，本发明实施例还提供一种具体的对象重识别的实施流程，该流程如下所示：
步骤200、从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
步骤201、针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
步骤202、判断所述第一类别与所述第二类别是否相同，若是执行步骤203，否则执行步骤204；
步骤203、根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值，执行步骤207；
步骤204、判断所述属性是否为特有属性，若是执行步骤205，否则执行步骤206；
步骤205、确定所述特有属性下所述待检对象图像的修正值为零；
步骤206、根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值；
步骤207、对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
实施例2
基于相同的发明构思，本发明实施例还提供了一种对象重识别的装置，由于该装置即是本发明实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，该装置包括：
确定相似单元300，用于从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
确定类别单元301，用于针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
修正单元302，用于根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定匹配单元303，用于确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
作为一种可选的实施方式，所述修正单元具体用于：
若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；或
若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述修正单元具体用于：
根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述修正单元具体用于：
若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；或
若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零。
作为一种可选的实施方式，所述修正单元具体用于：
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；或，
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。
作为一种可选的实施方式，所述修正单元具体用于：
根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
作为一种可选的实施方式，所述修正单元具体用于：
根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
实施例3
基于相同的发明构思，本发明实施例还提供了一种对象重识别的设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，该设备包括处理器400和存储器401，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：
从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
作为一种可选的实施方式，所述处理器具体被配置为执行：
若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；或
若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
作为一种可选的实施方式，所述处理器具体被配置为执行：
若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；或
若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零。
作为一种可选的实施方式，所述处理器具体被配置为执行：
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；或，
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
作为一种可选的实施方式，所述处理器具体被配置为执行：
根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
基于相同的发明构思，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种对象重识别的方法，其特征在于，该方法包括：
从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
2.根据权利要求1所述的方法，其特征在于，修正所述待检对象图像与所述目标对象图像的相似度，包括：
若所述第一类别与所述第二类别相同，则提高所述待检对象图像与所述目标对象图像的相似度；或
若所述第一类别与所述第二类别不相同，则降低所述待检对象图像与所述目标对象图像的相似度。
3.根据权利要求1所述的方法，其特征在于，根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度，包括：
根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值；
对各个属性下所述待检对象图像的修正值进行累加，根据累加得到的总修正值修正所述待检对象图像与所述目标对象图像的相似度。
4.根据权利要求3所述的方法，其特征在于，根据每种属性的属性权重以及所述各个类别中与所述第一类别相同的类别的置信度，确定每种属性下所述待检对象图像的修正值，包括：
若任一属性下所述第一类别与所述第二类别相同，则根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值大于零；或
若任一属性下所述第一类别与所述第二类别不相同，则根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，所述修正值不大于零。
5.根据权利要求4所述的方法，其特征在于，根据所述属性是否为特有属性，确定所述属性下所述待检对象图像的修正值，包括：
若所述属性为非特有属性，则根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，其中所述修正值小于零；或，
若所述属性为特有属性，则确定所述特有属性下所述待检对象图像的修正值为零。
6.根据权利要求4所述的方法，其特征在于，根据所述属性的属性权重以及所述各个类别中第二类别的置信度，确定所述属性下所述待检对象图像的修正值，包括：
根据所述属性的属性权重与所述第二类别的置信度的乘积，以及最大相似度阈值与所述相似度之差，确定所述属性下所述待检对象图像的修正值。
7.根据权利要求5所述的方法，其特征在于，根据所述属性的属性权重以及与所述各个类别中与所述第一类别相同的类别的置信度，确定所述属性下所述待检对象图像的修正值，包括：
根据所述属性的属性权重与所述各个类别中与所述第一类别相同的类别的置信度的乘积，以及所述相似度与最小相似度阈值之差，确定所述属性下所述待检对象图像的修正值。
8.一种对象重识别的装置，其特征在于，包括：
确定相似单元，用于从对象图像数据库中确定与目标对象图像的相似度在预设范围内的待检对象图像；
确定类别单元，用于针对任意一种属性，从所述属性对应的所有类别中确定所述目标对象图像的第一类别和所述待检对象图像的第二类别，以及所述待检对象图像的各个类别的置信度；
修正单元，用于根据每种属性下所述第一类别与所述第二类别的比对结果，利用每种属性的属性权重以及每种属性下所述待检对象图像的各个类别的置信度，修正所述待检对象图像与所述目标对象图像的相似度；
确定匹配单元，用于确定所述待检对象图像中修正后的相似度大于阈值的待检对象图像，与目标对象图像匹配。
9.一种对象重识别的设备，其特征在于，该设备包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行权利要求1～7任一所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7任一所述方法的步骤。
CN202011483068.1A 2020-12-16 2020-12-16 一种对象重识别的方法、装置及设备 Active CN113033281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011483068.1A CN113033281B (zh) 2020-12-16 2020-12-16 一种对象重识别的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011483068.1A CN113033281B (zh) 2020-12-16 2020-12-16 一种对象重识别的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113033281A true CN113033281A (zh) 2021-06-25
CN113033281B CN113033281B (zh) 2024-04-09

Family

ID=76459232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011483068.1A Active CN113033281B (zh) 2020-12-16 2020-12-16 一种对象重识别的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113033281B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392439A (zh) * 2014-11-13 2015-03-04 北京智谷睿拓技术服务有限公司 确定图像相似度的方法和装置
CN107729848A (zh) * 2017-10-20 2018-02-23 北京大学 对象检测方法及装置
CN108563692A (zh) * 2018-03-16 2018-09-21 新智认知数据服务有限公司 一种目标查重方法及装置
US20180276845A1 (en) * 2017-03-21 2018-09-27 Axis Ab Quality measurement weighting of image objects
CN109583278A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 人脸识别报警的方法、装置、系统及计算机设备
CN109711267A (zh) * 2018-12-03 2019-05-03 浙江大华技术股份有限公司 一种行人重识别、行人运动轨迹生成方法及装置
US20190171886A1 (en) * 2017-12-06 2019-06-06 International Business Machines Corporation Object recognition in video
CN109919166A (zh) * 2017-12-12 2019-06-21 杭州海康威视数字技术股份有限公司 获取属性的分类信息的方法和装置
WO2019237516A1 (zh) * 2018-06-11 2019-12-19 平安科技（深圳）有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN110717414A (zh) * 2019-09-24 2020-01-21 青岛海信网络科技股份有限公司 一种目标检测追踪方法、装置及设备
CN111627050A (zh) * 2020-07-27 2020-09-04 杭州雄迈集成电路技术股份有限公司 一种目标跟踪模型的训练方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392439A (zh) * 2014-11-13 2015-03-04 北京智谷睿拓技术服务有限公司 确定图像相似度的方法和装置
US20180276845A1 (en) * 2017-03-21 2018-09-27 Axis Ab Quality measurement weighting of image objects
CN109583278A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 人脸识别报警的方法、装置、系统及计算机设备
CN107729848A (zh) * 2017-10-20 2018-02-23 北京大学 对象检测方法及装置
US20190171886A1 (en) * 2017-12-06 2019-06-06 International Business Machines Corporation Object recognition in video
CN109919166A (zh) * 2017-12-12 2019-06-21 杭州海康威视数字技术股份有限公司 获取属性的分类信息的方法和装置
CN108563692A (zh) * 2018-03-16 2018-09-21 新智认知数据服务有限公司 一种目标查重方法及装置
WO2019237516A1 (zh) * 2018-06-11 2019-12-19 平安科技（深圳）有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN109711267A (zh) * 2018-12-03 2019-05-03 浙江大华技术股份有限公司 一种行人重识别、行人运动轨迹生成方法及装置
CN110717414A (zh) * 2019-09-24 2020-01-21 青岛海信网络科技股份有限公司 一种目标检测追踪方法、装置及设备
CN111627050A (zh) * 2020-07-27 2020-09-04 杭州雄迈集成电路技术股份有限公司 一种目标跟踪模型的训练方法和装置

Also Published As

Publication number Publication date
CN113033281B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN111428733B (zh) 基于语义特征空间转换的零样本目标检测方法及系统
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
Mao et al. Noisy localization annotation refinement for object detection
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
Ul Rahman et al. Additive parameter for deep face recognition
CN111126617B (zh) 一种选择融合模型权重参数的方法、装置及设备
CN112100509A (zh) 信息推荐方法、装置、服务器和存储介质
CN110263196B (zh) 图像检索方法、装置、电子设备及存储介质
CN116484099A (zh) 推荐方法、装置、设备及存储介质
CN113033281A (zh) 一种对象重识别的方法、装置及设备
Ye et al. Tiny face detection based on deep learning
CN115423090A (zh) 一种面向细粒度识别的类增量学习方法
CN113032612B (zh) 一种多目标图像检索模型的构建方法及检索方法和装置
CN116955763A (zh) 内容推荐方法、装置、计算机设备及计算机可读存储介质
CN113139379B (zh) 信息识别方法和系统
CN114743048A (zh) 检测异常秸秆图片的方法和检测装置
CN106529374A (zh) 一种级联式人脸关键点定位方法和系统
CN111984812A (zh) 一种特征提取模型生成方法、图像检索方法、装置及设备
CN113011446A (zh) 一种基于多源异构数据学习的智能目标识别方法
CN109284776B (zh) 用于防沉迷系统的基于随机森林的自训练学习系统及方法
CN112686278B (zh) 模型获取方法、装置及存储介质
CN114155420B (zh) 一种场景识别模型训练方法、装置、设备及介质
CN113221837B (zh) 对象分割方法、对象分割模型的训练方法和装置
Wang et al. Small sample PCB defect detection based on meta feature enhancement
CN113360724A (zh) 物品属性值的确定方法和装置

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