CN113177464A - 基于深度学习的端到端的多模态步态识别方法 - Google Patents
基于深度学习的端到端的多模态步态识别方法 Download PDFInfo
- Publication number
- CN113177464A CN113177464A CN202110460163.8A CN202110460163A CN113177464A CN 113177464 A CN113177464 A CN 113177464A CN 202110460163 A CN202110460163 A CN 202110460163A CN 113177464 A CN113177464 A CN 113177464A
- Authority
- CN
- China
- Prior art keywords
- gait
- mask
- network
- fusion
- loss
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的端到端的多模态步态识别方法。本发明首先通过RGB视频帧提取步态外观特征(颜色纹理等),并且对RGB视频帧进行语义分割得到掩模,然后通过掩模提取步态掩模特征(轮廓等),最后对两类特征进行融合进行识别。本发明通过对GaitSet进行改进用于提取步态外观和掩模特征;通过简化的FCN在保证精度的前提下提升语义分割速度;将步态外观特征和掩模特征进行融合以获得更完整的信息表示。
Description
技术领域
本发明属于计算机视觉中的视频图像处理和步态识别领域,涉及一种基于深度学习的端到端的多模态步态识别方法。
背景技术
步态识别是通过行人走路姿态来进行身份确认的新兴生物特征识别技术,与人脸识别、指纹识别和虹膜识别等技术相比,步态识别研究起步相对较晚,因其具有非接触、远距离和不易伪装等优点,无需识别对象主动配合便可完成识别,因此,可广泛应用于智慧城市、智慧交通等领域以及寻找嫌疑人等场景。
近年来,随着深度神经网络的广泛应用,步态识别也有了较大的发展。现有的基于深度学习的步态识别方法大致可以分为两类:基于模板的方法和基于序列的方法,其均通过分割的掩模图像提取行人的步态掩模特征进行识别。上述两种方法均通过手工分割的掩模图像提取行人的步态掩模特征进行识别,分割过的掩模图像可能损失一部分对步态识别有用的信息,且无法实现端到端的步态识别。
发明内容
本发明针对现有技术的不足,提出了一种基于深度学习的端到端的多模态步态识别方法,提升步态识别的准确率并可广泛适用于其他步态识别网络。
本发明解决技术问题所采取的技术方案为:
步骤1、接入行人步态图像序列或视频,将其输入基于GaitSet网络的步态外观特征提取分支提取外观特征FApp,包括颜色、纹理等。
步骤2、通过简化的FCN网络即语义分割分支对图像进行语义分割得到只包含行人步态轮廓信息的掩模。FCN的前六个卷积层与步态外观特征提取分支的前六个卷积层共享权重。
步骤3、通过基于GaitSet网络的步态掩模特征提取分支对掩模提取行人步态掩模特征FMask,包含轮廓等。
步骤4、对提取到的特征设置合适的权重进行特征融合,即F=p*FApp+q*FMask。融合特征为本发明所提出方法提取的最终特征。用于后续计算Loss(训练时)或欧氏距离(前向推理时)。
步骤5、在网络训练时,对融合特征计算三元组损失LBA+、语义分割分支的交叉熵损失LCross进行Loss融合,设置不同的权重进行加权和,即Loss=r*LBA++s*LCross。
步骤6、使用训练好的网络进行前向推理时,计算待检索行人步态序列和检索库中行人步态序列融合特征之间的欧氏距离,根据距离计算rank-1识别准确率。
本发明提供的技术方案的有益效果是:通过对GaitSet网络的水平金字塔映射部分进行修改使其提取到更丰富的特征,更适合于本发明所提出的多模态步态识别方法。通过加入简化的FCN网络,使得在增加很小的时间成本的情况下,完成对RGB图像的自动语义分割,实现端到端的步态识别。通过对Loss进行融合,使多个分支同时进行训练。通过对特征进行融合,使网络提取特征的最终表示更丰富完整。本发明通过图像序列或视频输入而无需其他辅助设备即可实现高精度的端到端的多模态步态识别。
附图说明
为了更清楚的展示本发明实施例中的网络结构以及训练和前向推理过程,下面将对实施例中所需要使用的附图做以简单地介绍。
图1为本发明方法的结构图;
图2为本发明方法进行训练的流程图;
图3为本发明方法进行前向推理的流程图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明提出了一种通用的基于深度学习的端到端的多模态步态识别方法。其网络框架结构如图1所示,主要包含三个分支,分别为步态外观特征提取分支、语义分割分支和步态掩模特征提取分支。
网络训练过程如图2所示。其简要步骤如下:一、读取视频帧提取步态外观特征;二、对视频帧进行语义分割得到掩模;三、对掩模提取步态掩模特征;四、对步态外观特征和步态掩模特征进行融合;五、计算融合特征Loss以及语义分割Loss并融合;六、反向传播更新网络参数。
网络前向推理过程如图3所示。其简要步骤如下:一、读取视频帧提取步态外观特征;二、对视频帧进行语义分割得到掩模;三、对掩模提取步态掩模特征;四、对步态外观特征和步态掩模特征进行融合;五、计算probe和gallery的融合特征之间的欧氏距离,距离最近的即为来自同一个样本的序列。
实施例:
一种基于深度学习的多模态步态识别方法,包括如下步骤:
步骤1、接入步态序列或者视频,提取行人步态外观特征FApp,具体的:
将步态序列或视频输入步态外观特征提取分支提取步态外观特征。该分支基于GaitSet步态识别网络。该网络进行如下改进:首先,将其中的输入层的输入通道数由1改为3以输入RGB图像;其次将空间金字塔池化(SPP)中的全局最大池化替换为全局最大池化和全局平均池化之和,并替换GaitSet中的水平金字塔映射(HPM);然后,使用注意力机制(SE)提升有用的特征并抑制对步态识别用处不大的特征;最后使用独立的全连接层(FC)对特征进行映射。
步骤2、通过简化的FCN网络即语义分割分支对图像进行语义分割得到只包含行人步态轮廓信息的掩模。具体的:
本发明简化后的FCN网络包含9层卷积层和1个上采样层,其中前6层卷积层与步态外观特征提取分支的前6个卷积层共享权重。相比于原来的FCN,去掉了跳级结构且多增加了一层卷积层,在精度损失不大的前提下保证分割速度。
步骤3、通过基于GaitSet网络的步态掩模特征提取分支对掩模提取行人步态掩模特征FMask。步态掩模特征提取分支输入层为1,其余结构与步态外观特征提取分支相同。
步骤4、对提取到的特征设置合适的权重进行特征融合,即F=p*FApp+q*FMask。融合特征为本发明所提出方法提取的最终特征。根据实验得出p取0.8,q取0.2。
步骤5、网络进行训练时,对融合特征计算三元组损失LBA+、语义分割分支的交叉熵损失LCross进行Loss融合,设置不同的权重进行加权和,即Loss=r*LBA++s*LCross,根据实验得出r取0.7,s取0.3。
步骤6、使用训练好的网络进行前向推理时,计算待检索行人步态序列和检索库中行人步态序列融合特征之间的欧氏距离,根据距离进行排序,并计算rank-1识别准确率,距离最近的即为来自同一个样本的序列。
Claims (7)
1.基于深度学习的端到端的多模态步态识别方法,其特征在于该方法包含如下步骤:
步骤1、接入行人步态图像序列或视频,将其输入基于GaitSet网络的步态外观特征提取分支提取外观特征FApp,包括颜色、纹理;
步骤2、通过简化的FCN网络,即语义分割分支对图像进行语义分割得到只包含行人步态轮廓信息的掩模;
步骤3、通过基于GaitSet网络的步态掩模特征提取分支对掩模提取行人步态掩模特征FMask,包含轮廓;
步骤4、对提取到的特征设置合适的权重进行特征融合,得到融合特征,用于后续计算;
步骤5、网络训练时,对融合特征计算三元组损失LBA+和语义分割分支的交叉熵损失LCross进行Loss融合,所述的网络由步态外观特征提取分支、语义分割分支和步态掩模特征提取分支组成;
步骤6、使用训练好的网络进行前向推理时,计算待检索行人步态序列和检索库中行人步态序列融合特征之间的欧氏距离,根据欧氏距离计算rank-1识别准确率。
2.根据权利要求1所述的基于深度学习的端到端的多模态步态识别方法,其特征在于,
步骤1中所述步态外观特征提取分支基于GaitSet网络改进得到,改进之处:输入层的输入通道数由1调整为3以输入RGB图像;将空间金字塔池化中的全局最大池化替换为全局最大池化和全局平均池化之和,并替换GaitSet网络中的水平金字塔映射。
3.根据权利要求2所述的基于深度学习的端到端的多模态步态识别方法,其特征在于,
使用注意力机制提升有用的特征,使用独立的全连接层对有用的特征进行映射。
4.根据权利要求1所述的基于深度学习的端到端的多模态步态识别方法,其特征在于,
步骤2中所述简化的FCN网络包含9层卷积层和1个上采样层,其中前6层卷积层与步态外观特征提取分支的前6个卷积层共享权重。
5.根据权利要求1所述的基于深度学习的端到端的多模态步态识别方法,其特征在于,
步骤3中所述步态掩模特征提取分支输入层为1,其余结构和步态外观特征提取分支相同。
6.根据权利要求1所述的基于深度学习的端到端的多模态步态识别方法,其特征在于,
步骤4所述特征融合具体过程为F=p*FApp+q*FMask,其中F表示融合特征,p表示外观特征FApp的权重,q表示行人步态掩模特征FMask的权重。
7.根据权利要求1所述的基于深度学习的端到端的多模态步态识别方法,其特征在于,
步骤5所述Loss融合具体过程为Loss=r*LBA++s*LCross,其中Loss表示融合损失,r表示三元组损失LBA+的权重、s表示交叉熵损失LCross的权重。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110460163.8A CN113177464B (zh) | 2021-04-27 | 2021-04-27 | 基于深度学习的端到端的多模态步态识别方法 |
PCT/CN2021/104204 WO2022227275A1 (zh) | 2021-04-27 | 2021-07-02 | 基于深度学习的端到端的多模态步态识别方法 |
US17/653,660 US11544969B2 (en) | 2021-04-27 | 2022-03-07 | End-to-end multimodal gait recognition method based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110460163.8A CN113177464B (zh) | 2021-04-27 | 2021-04-27 | 基于深度学习的端到端的多模态步态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177464A true CN113177464A (zh) | 2021-07-27 |
CN113177464B CN113177464B (zh) | 2023-12-01 |
Family
ID=76926663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110460163.8A Active CN113177464B (zh) | 2021-04-27 | 2021-04-27 | 基于深度学习的端到端的多模态步态识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113177464B (zh) |
WO (1) | WO2022227275A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821689A (zh) * | 2021-09-22 | 2021-12-21 | 沈春华 | 基于视频序列的行人检索方法、装置和电子设备 |
CN113887358A (zh) * | 2021-09-23 | 2022-01-04 | 南京信息工程大学 | 按部分学习解耦表征的步态识别方法 |
CN113821689B (zh) * | 2021-09-22 | 2024-07-16 | 沈春华 | 基于视频序列的行人检索方法、装置和电子设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012955B (zh) * | 2023-03-28 | 2023-05-30 | 石家庄铁道大学 | 一种改进GaitSet的红外步态识别方法 |
CN117690583B (zh) * | 2024-02-01 | 2024-04-09 | 吉林大学 | 基于物联网的康复护理交互式管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243058A1 (en) * | 2014-10-28 | 2017-08-24 | Watrix Technology | Gait recognition method based on deep learning |
CN109583298A (zh) * | 2018-10-26 | 2019-04-05 | 复旦大学 | 基于集合的跨视角步态识别方法 |
US10540757B1 (en) * | 2018-03-12 | 2020-01-21 | Amazon Technologies, Inc. | Method and system for generating combined images utilizing image processing of multiple images |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、系统、介质、视频监控系统 |
CN111860291A (zh) * | 2020-07-16 | 2020-10-30 | 上海交通大学 | 基于行人外观和步态信息的多模态行人身份识别方法和系统 |
CN112016489A (zh) * | 2020-09-02 | 2020-12-01 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
CN112131950A (zh) * | 2020-08-26 | 2020-12-25 | 浙江工业大学 | 一种基于Android手机的步态识别方法 |
CN112434655A (zh) * | 2020-12-07 | 2021-03-02 | 安徽大学 | 一种基于自适应置信度图卷积网络的步态识别方法 |
-
2021
- 2021-04-27 CN CN202110460163.8A patent/CN113177464B/zh active Active
- 2021-07-02 WO PCT/CN2021/104204 patent/WO2022227275A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243058A1 (en) * | 2014-10-28 | 2017-08-24 | Watrix Technology | Gait recognition method based on deep learning |
US10540757B1 (en) * | 2018-03-12 | 2020-01-21 | Amazon Technologies, Inc. | Method and system for generating combined images utilizing image processing of multiple images |
CN109583298A (zh) * | 2018-10-26 | 2019-04-05 | 复旦大学 | 基于集合的跨视角步态识别方法 |
CN111553205A (zh) * | 2020-04-12 | 2020-08-18 | 西安电子科技大学 | 无车牌信息车辆重识别方法、系统、介质、视频监控系统 |
CN111860291A (zh) * | 2020-07-16 | 2020-10-30 | 上海交通大学 | 基于行人外观和步态信息的多模态行人身份识别方法和系统 |
CN112131950A (zh) * | 2020-08-26 | 2020-12-25 | 浙江工业大学 | 一种基于Android手机的步态识别方法 |
CN112016489A (zh) * | 2020-09-02 | 2020-12-01 | 重庆邮电大学 | 一种保留全局信息并增强局部特征的行人再识别方法 |
CN112434655A (zh) * | 2020-12-07 | 2021-03-02 | 安徽大学 | 一种基于自适应置信度图卷积网络的步态识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821689A (zh) * | 2021-09-22 | 2021-12-21 | 沈春华 | 基于视频序列的行人检索方法、装置和电子设备 |
CN113821689B (zh) * | 2021-09-22 | 2024-07-16 | 沈春华 | 基于视频序列的行人检索方法、装置和电子设备 |
CN113887358A (zh) * | 2021-09-23 | 2022-01-04 | 南京信息工程大学 | 按部分学习解耦表征的步态识别方法 |
CN113887358B (zh) * | 2021-09-23 | 2024-05-31 | 南京信息工程大学 | 按部分学习解耦表征的步态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022227275A1 (zh) | 2022-11-03 |
CN113177464B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177464B (zh) | 基于深度学习的端到端的多模态步态识别方法 | |
CN109583340B (zh) | 一种基于深度学习的视频目标检测方法 | |
CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
CN108509880A (zh) | 一种视频人物行为语义识别方法 | |
CN107220611B (zh) | 一种基于深度神经网络的空时特征提取方法 | |
CN105069434B (zh) | 一种视频中人体动作行为识别方法 | |
CN112163498B (zh) | 前景引导和纹理聚焦的行人重识别模型建立方法及其应用 | |
CN109446970A (zh) | 一种基于深度学习的变电站巡检机器人道路场景识别方法 | |
CN111310668B (zh) | 一种基于骨架信息的步态识别方法 | |
CN109508663A (zh) | 一种基于多层次监督网络的行人重识别方法 | |
CN111274921A (zh) | 一种利用姿态掩模进行人体行为识别的方法 | |
CN113807355A (zh) | 一种基于编解码结构的图像语义分割方法 | |
CN114187665B (zh) | 一种基于人体骨架热图的多人步态识别方法 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN113011396B (zh) | 基于深度学习级联特征融合的步态识别方法 | |
CN112070010B (zh) | 一种联合多损失动态训练策略增强局部特征学习的行人重识别方法 | |
CN115393396B (zh) | 一种基于掩码预训练的无人机目标跟踪方法 | |
CN108491828B (zh) | 一种基于层次的成对相似性PVAnet的停车位检测系统及方法 | |
CN113449671A (zh) | 一种多尺度多特征融合的行人重识别方法及装置 | |
CN111985332A (zh) | 一种基于深度学习的改进损失函数的步态识别方法 | |
CN116311377A (zh) | 基于图像内与图像间关系的换衣行人重识别方法和系统 | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
CN117576149A (zh) | 一种基于注意力机制的单目标跟踪方法 | |
CN117115911A (zh) | 一种基于注意力机制的超图学习动作识别系统 | |
CN108921852B (zh) | 基于视差与平面拟合的双分支室外非结构化地形分割网络 |
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 |