CN114821651B - 一种行人重识别方法、系统、设备及计算机可读存储介质 - Google Patents
一种行人重识别方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114821651B CN114821651B CN202210469672.1A CN202210469672A CN114821651B CN 114821651 B CN114821651 B CN 114821651B CN 202210469672 A CN202210469672 A CN 202210469672A CN 114821651 B CN114821651 B CN 114821651B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- target
- network
- image
- type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 128
- 238000004590 computer program Methods 0.000 claims description 50
- 210000003141 lower extremity Anatomy 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种行人重识别方法、系统、设备及计算机可读存储介质,获取无标签的第一类行人图像;为第一类行人图像制作标签信息;基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络;将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络。本申请可以使得无标签的行人图像中的行人信息也可以用于目标行人重识别网络的训练,提高了目标行人重识别网络的鲁棒性提高目标行人重识别网络的训练效率,进而提高行人重识别方法的运行效率;适用性更好。
Description
技术领域
本申请涉及深度学习技术领域,更具体地说,涉及一种行人重识别方法、系统、设备及计算机可读存储介质。
背景技术
当前,深度学习用于解决图片分类、图像分割和物体检测等计算机视觉领域的问题并且取得了巨大的成功。且近年来涌现出了很多优秀的卷积神经网络模型,在此过程中,行人重识别任务随着深度学习技术的不断发展也取得了长足的进步。行人重识别(Re-ID)是一种重要的图像识别技术,如今被视为图像检索的一类关键子问题,其利用计算机视觉算法对跨设备的行人图像或视频进行匹配,即给定一个查询图像,在不同监控设备的图像库检索出同一个行人。由于对智能安防、相册聚类和嫌疑人搜索等方面有巨大的应用前景,行人重识别已经成为计算机视觉领域的研究交点。
目前,在行人重识别过程中,是通过构建行人重识别网络,并基于有标签的行人图像对行人重识别网络进行训练,最后基于训练好的行人重识别网络进行行人重识别。然而,现有行人重识别网络的训练过程缓慢,使得行人重识别方法的运行效率较低、且行人重识别网络的鲁棒性差,方法适用性差。
综上所述,如何提高行人重识别方法的适用性是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种行人重识别方法,其能在一定程度上解决如何提高行人重识别方法的适用性的技术问题。本申请还提供了一种行人重识别系统、设备及计算机可读存储介质。
为了实现上述目的,本申请提供如下技术方案:
一种行人重识别方法,包括:
获取无标签的第一类行人图像;
为所述第一类行人图像制作标签信息;
基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练,得到第一次训练的所述目标行人重识别网络;
将所述第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练,得到第二次训练的所述目标行人重识别网络,以基于所述目标行人重识别网络进行行人重识别。
优选的,所述为所述第一类行人图像制作标签信息,包括:
确定所述第一类行人图像中的身体部位分界线信息;
将所述身体部位分界线信息作为所述第一类行人图像的所述标签信息。
优选的,所述确定所述第一类行人图像中的身体部位分界线信息,包括:
基于模板匹配法确定所述第一类行人图像中的所述身体部位分界线信息。
优选的,所述基于模板匹配法确定所述第一类行人图像中的所述身体部位分界线信息,包括:
获取预设的人体部位模板;
确定所述第一类行人图像中与所述人体部位模板对应的身体部位区域;
确定所述身体部位区域的边界坐标,边界坐标包括身体部位区域的边界在第一类行人图像中的高度值;
将所述边界坐标与所述第一类行人图像的总高度的比值作为所述身体部位分界线信息。
优选的,所述人体部位模板包括头部模板、躯干模板、下肢模板;所述身体部位区域包括头部区域、躯干区域、下肢区域;所述身体部位分界线信息包括所述头部区域的开始边界信息、所述头部区域与所述躯干区域间的分界线信息、所述躯干区域与所述下肢区域间的分界线信息、所述下肢区域的结束边界信息。
优选的,所述确定所述第一类行人图像中与所述人体部位模板对应的身体部位区域,包括:
从所述第一类行人图像中切割出与所述人体部位模板同大小的临时图像;
计算每一个所述临时图像和所述人体部位模板的相似度值;
选取相似度值最大的所述临时图像作为所述第一类行人图像中与所述人体部位模板对应的所述身体部位区域。
优选的,所述基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练,得到第一次训练的所述目标行人重识别网络,包括:
将所述目标行人重识别网络与第一辅助网络进行连接,得到第一目标网络;
基于所述第一类行人图像及所述标签信息对所述第一目标网络进行训练,得到训练好的所述第一目标网络;
去掉所述第一目标网络中的所述第一辅助网络,得到第一次训练的所述目标行人重识别网络。
优选的,所述目标行人重识别网络包括ResNet50网络;所述第一辅助网络包括与所述Resnet50网络的第七部分连接的全连接层。
优选的,所述将所述第一类行人图像中的目标区域进行丢弃,得到第二类行人图像,包括:
将所述第一类行人图像划分为预设数量个格子;
在所述格子中随机选取目标数量的格子作为所述目标区域进行丢弃;
将第一类行人图像中所述目标区域的像素填充为0,得到所述第二类行人图像。
优选的,所述基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练,得到第二次训练的所述目标行人重识别网络,包括:
将第一次训练的所述目标行人重识别网络与第二辅助网络进行连接,得到第二目标网络;
基于所述第一类行人图像及所述第二类行人图像对所述第二目标网络进行训练,得到训练好的所述第二目标网络;
去掉所述第二目标网络中的所述第二辅助网络,得到第二次训练的所述目标行人重识别网络。
优选的,所述目标行人重识别网络包括ResNet50网络;所述第二辅助网络包括与所述Resnet50网络的第一部分及第四部分连接的图像分割网络。
一种行人重识别系统,包括:
第一获取模块,用于获取无标签的第一类行人图像;
第一制作模块,用于为所述第一类行人图像制作标签信息;
第一训练模块,用于基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练,得到第一次训练的所述目标行人重识别网络;
第二制作模块,用于将所述第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
第二训练模块,用于基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练,得到第二次训练的所述目标行人重识别网络,以基于所述目标行人重识别网络进行行人重识别。
一种行人重识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一所述行人重识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述行人重识别方法的步骤。
本申请提供的一种行人重识别方法,获取无标签的第一类行人图像;为第一类行人图像制作标签信息;基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络;将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。本申请中,可以为第一类行人图像制作标签信息,实现了自动为无标签的行人图像快速添加标签;这样便可以基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络,也即使得无标签的行人图像中的行人信息也可以用于目标行人重识别网络的训练;此外,还将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像,基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,与只基于有标签的行人图像训练网络的方法相比,增多了训练样本数,提高了目标行人重识别网络的鲁棒性;此外,还提高了目标行人重识别网络的训练效率,进而提高行人重识别方法的运行效率;与现有技术相比,适用性更好。本申请提供的一种行人重识别系统、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种行人重识别方法的流程图;
图2为ResNet50网络的结构示意图;
图3为第二辅助网络的结构示意图;
图4为行人图像的边界坐标示意图;
图5为本申请实施例提供的一种行人重识别系统的结构示意图;
图6为本申请实施例提供的一种行人重识别设备的结构示意图;
图7为本申请实施例提供的一种行人重识别设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
请参阅图1,图1为本申请实施例提供的一种行人重识别方法的流程图。
本申请实施例提供的一种行人重识别方法,可以包括以下步骤:
步骤S101:获取无标签的第一类行人图像。
实际应用中,可以先获取无标签的第一类行人图像,第一类行人图像的类型及获取方式等均可以根据实际需要确定。
步骤S102:为第一类行人图像制作标签信息。
实际应用中,在获取无标签的第一类行人图像之后,便可以为第一类行人图像制作标签信息,以便后续基于该标签信息对目标行人重识别网络进行弱监督训练。
步骤S103:基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络。
实际应用中,在基于模板匹配法为第一类行人图像制作标签信息之后,便可以基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络。
具体应用场景中,在基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络的过程中,为了便于训练目标行人重识别网络,可以将目标行人重识别网络与第一辅助网络进行连接,得到第一目标网络;基于第一类行人图像及标签信息对第一目标网络进行训练,得到训练好的第一目标网络;去掉第一目标网络中的第一辅助网络,得到第一次训练的目标行人重识别网络。
具体应用场景中,目标行人重识别网络可以包括ResNet50网络,其结构可以如图2所示,第一部分不包含残差块,主要对输入进行卷积、正则化、激活函数、最大池化的计算,第二、三、四、五部分结构都包含了残差块,每个残差块含有三层卷积,经过前五部分的卷积计算后,池化层将其转化为一个特征向量,最后分类器对这个特征向量进行计算并输出坐标回归的数值;第一辅助网络可以包括与Resnet50网络的第七部分连接的全连接层,且该全连接层的大小可以根据实际需要确,比如全连接层可以为包含12个神经元的全连接层等。
需要说明的是,第一辅助网络的损失函数可以根据实际需要确定,本申请在此不做具体限定。
步骤S104:将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像。
步骤S105:基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。
实际应用中,为了进一步对目标行人重识别图像进行弱监督训练,还可以在基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络之后,将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像,并基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。
具体应用场景中,在将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像的过程中,可以将第一类行人图像划分为预设数量个格子,并在格子中随机选取目标数量的格子作为目标区域进行丢弃;将第一类行人图像中目标区域的像素填充为0,以此来得到第二类行人图像等,本申请在此不做具体限定。
具体应用场景中,在基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络的过程中,为了便于训练目标行人重识别网络,可以将第一次训练的目标行人重识别网络与第二辅助网络进行连接,得到第二目标网络;基于第一类行人图像及第二类行人图像对第二目标网络进行训练,得到训练好的第二目标网络;去掉第二目标网络中的第二辅助网络,得到第二次训练的目标行人重识别网络。
具体应用场景中,目标行人重识别网络可以包括ResNet50网络;第二辅助网络可以包括与Resnet50网络的第一部分及第四部分连接的图像分割网络,第二辅助网络的结构可以如图3所示,其中,在图像分割网络的encoder部分,使用四种不同膨胀率的空洞卷积块和一个全局平均池化块得到共五组特征图,将其拼接起来,再经过一个1×1卷积块后送入decoder模块;在decoder部分,首先将通道降维的低级特征图和线性插值上采样得到的特征图拼接起来,送入一组3×3卷积块进行处理,最后,再次进行线性插值上采样,得到与原图分辨率大小一样的预测图。
需要说明的是,第二辅助网络的损失函数可以根据实际需要确定,本申请在此不做具体限定。比如第二辅助网络的损失函数可以为L2 loss,其具体如下:
其中,L(θ)表示损失函数值;Oi表示图像分割网络最后一层的第i个输出特征;Ii代表第一类行人图像中的第i个图像像素。
具体应用场景中,在基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络之后,还可以获取有标签的第三类行人图像,并基于第三类行人图像对第二次训练的目标行人重识别网络进行训练,得到训练好的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。
本申请提供的一种行人重识别方法,获取无标签的第一类行人图像;为第一类行人图像制作标签信息;基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络;将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。本申请中,可以为第一类行人图像制作标签信息,实现了自动为无标签的行人图像快速添加标签;这样便可以基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络,也即使得无标签的行人图像中的行人信息也可以用于目标行人重识别网络的训练;此外,还将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像,基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,与只基于有标签的行人图像训练网络的方法相比,增多了训练样本数,提高了目标行人重识别网络的鲁棒性;最后,因为得到的第二次训练的目标行人重识别网络中是有网络权重值的,且该网络权重值与行人图像相适应,而现有技术中行人重识别网络无初始权重或初始权重与行人图像不相适应,所以本申请可以加快目标行人重识别网络的收敛速率,提高目标行人重识别网络的训练效率,进而提高行人重识别方法的运行效率;与现有技术相比,适用性更好。
本申请实施例提供的一种行人重识别方法中,在基于模板匹配法为第一类行人图像制作标签信息的过程中,可以基于模板匹配法确定第一类行人图像中的身体部位分界线信息;将身体部位分界线信息作为第一类行人图像的标签信息。
具体应用场景中,在基于模板匹配法确定第一类行人图像中的身体部位分界线信息的过程中,可以获取预设的人体部位模板,人体部位模板包括头部模板、躯干模板、下肢模板;确定第一类行人图像中与人体部位模板对应的身体部位区域,身体部位区域包括头部区域、躯干区域、下肢区域;确定身体部位区域的边界坐标,边界坐标包括身体部位区域的边界在第一类行人图像中的高度值;将边界坐标与第一类行人图像的总高度的比值作为身体部位分界线信息。
需要说明的是,在获取预设的人体部位模板的过程中,可以取一些人体部位图像,用手工扣取人体部位做为人体部位样本,将其尺度标准化到固定尺度,得到人体部位模板;假设取100个样本,将所有抠取的人体头部图像进行灰度归一化,取所有100个样本的归一化后的头部区域样本,进行归一化,得到头人体部区域模板等。
需要说明的是,在确定第一类行人图像中与人体部位模板对应的身体部位区域的过程中,可以从第一类行人图像中切割出与人体部位模板同大小的临时图像,基于欧式距离计算临时图像和人体部位模板的相似度值,并记录该相似度值,重复该步骤,直至得到第一类行人图像中每个临时图像与人体部位模板的相似度值,最后再选取相似度值最大的临时图像作为第一类行人图像中与人体部位模板对应的身体部位区域。其中,欧式距离计算相似度值的公式可以如下:
其中,(i,j)表示临时图像的坐标值;D(i,j)表示相似度值;Sij(m,n)表示临时图像中(m,n)坐标处的像素值;T(m,n)表示人体部位模板中(m,n)坐标处的像素值;w×h表示人体部位模板的尺寸。
需要说明的是,在将边界坐标与第一类行人图像的总高度的比值作为身体部位分界线信息的过程中,可以基于以下公式来确定身体部位分界线信息:
h0=H1;
h3=F2;
其中,H1表示头部区域的上边界坐标,H2表示头部区域的下边界坐标;B1、B2分别表示躯干区域的上边界坐标及下边界坐标;F1、F2分别表示下肢区域的上边界坐标及下边界坐标;其示例如图4所示;h0表示头部区域的开始边界坐标,h1表示头部区域与躯干区域的分界坐标,h2表示躯干区域与下肢区域的分界坐标,h3表示下肢区域的结束边界坐标;假设第一类行人图像的总高度为H,则最终的身体部位分界线信息可以表示为:
本申请实施例提供的一种行人重识别方法中,神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段,即前向传播阶段。另外一个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练的阶段,即反向传播阶段。训练过程可以包括以下步骤:
网络层权值进行初始化,一般采用随机初始化;
输入图像数据经过卷积层、下采样层、全连接层等各层的前向传播得到输出值;
求出网络的输出值与目标值(标签)之间的误差,求取方法如下:求出网络的输出值以及其与输入伪标签的损失;
将误差反向传回网络中,依次求得网络各层:全连接层,卷积层等各层的反向传播误差;
网络各层根据各层的反向传播误差对网络中的所有权重系数进行调整,即进行权重的更新;
重新随机选取新的图像数据,然后进入到第二步,获得网络前向传播得到输出值;
无限往复迭代,当求出网络的输出值与目标值(标签)之间的误差小于某个阈值,或者迭代次数超过某个阈值时,结束训练;
保存训练好的所有层的网络参数。
请参阅图5,图5为本申请实施例提供的一种行人重识别系统的结构示意图。
本申请实施例提供的一种行人重识别系统,可以包括:
第一获取模块101,用于获取无标签的第一类行人图像;
第一制作模块102,用于为第一类行人图像制作标签信息;
第一训练模块103,用于基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络;
第二制作模块104,用于将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
第二训练模块105,用于基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。
本申请实施例提供的一种行人重识别系统,第一制作模块可以包括:
第一确定单元,用于确定第一类行人图像中的身体部位分界线信息;
第一设置单元,用于将身体部位分界线信息作为第一类行人图像的标签信息。
本申请实施例提供的一种行人重识别系统,第一确定单元可以具体用于:基于模板匹配法确定第一类行人图像中的身体部位分界线信息。
本申请实施例提供的一种行人重识别系统,第一确定单元可以具体用于:获取预设的人体部位模板;确定第一类行人图像中与人体部位模板对应的身体部位区域;确定身体部位区域的边界坐标,边界坐标包括身体部位区域的边界在第一类行人图像中的高度值;将边界坐标与第一类行人图像的总高度的比值作为身体部位分界线信息。
本申请实施例提供的一种行人重识别系统,人体部位模板可以包括头部模板、躯干模板、下肢模板;身体部位区域包括头部区域、躯干区域、下肢区域;身体部位分界线信息包括头部区域的开始边界信息、头部区域与躯干区域间的分界线信息、躯干区域与下肢区域间的分界线信息、下肢区域的结束边界信息。
本申请实施例提供的一种行人重识别系统,第一确定单元可以具体用于:从第一类行人图像中切割出与人体部位模板同大小的临时图像;计算每一个临时图像和人体部位模板的相似度值;选取相似度值最大的临时图像作为所述第一类行人图像中与人体部位模板对应的身体部位区域。
本申请实施例提供的一种行人重识别系统,第一训练模块可以包括:
第一构成单元,用于将目标行人重识别网络与第一辅助网络进行连接,得到第一目标网络;
第一训练单元,用于基于第一类行人图像及标签信息对第一目标网络进行训练,得到训练好的第一目标网络;
第一删除单元,用于去掉第一目标网络中的第一辅助网络,得到第一次训练的目标行人重识别网络。
本申请实施例提供的一种行人重识别系统,目标行人重识别网络包括ResNet50网络;第一辅助网络包括与Resnet50网络的第七部分连接的全连接层。
本申请实施例提供的一种行人重识别系统,第二制作模块可以包括:
第一划分单元,用于将第一类行人图像划分为预设数量个格子;
第一选取单元,用于在格子中随机选取目标数量的格子作为目标区域进行丢弃;
第一制作单元,用于将第一类行人图像中目标区域的像素填充为0,得到第二类行人图像。
本申请实施例提供的一种行人重识别系统,第二训练模块可以包括:
第二构成单元,用于将第一次训练的目标行人重识别网络与第二辅助网络进行连接,得到第二目标网络;
第二训练单元,用于基于第一类行人图像及第二类行人图像对第二目标网络进行训练,得到训练好的第二目标网络;
第二删除单元,用于去掉第二目标网络中的第二辅助网络,得到第二次训练的目标行人重识别网络。
本申请实施例提供的一种行人重识别系统,目标行人重识别网络包括ResNet50网络;第二辅助网络包括与Resnet50网络的第一部分及第四部分连接的图像分割网络。
本申请还提供了一种行人重识别设备及计算机可读存储介质,其均具有本申请实施例提供的一种行人重识别方法具有的对应效果。请参阅图6,图6为本申请实施例提供的一种行人重识别设备的结构示意图。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:
获取无标签的第一类行人图像;
为第一类行人图像制作标签信息;
基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络;
将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:确定第一类行人图像中的身体部位分界线信息;将身体部位分界线信息作为第一类行人图像的标签信息。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:基于模板匹配法确定第一类行人图像中的身体部位分界线信息。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:获取预设的人体部位模板;确定第一类行人图像中与人体部位模板对应的身体部位区域;确定身体部位区域的边界坐标,边界坐标包括身体部位区域的边界在第一类行人图像中的高度值;将边界坐标与第一类行人图像的总高度的比值作为身体部位分界线信息。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:人体部位模板包括头部模板、躯干模板、下肢模板;身体部位区域包括头部区域、躯干区域、下肢区域;身体部位分界线信息包括头部区域的开始边界信息、头部区域与躯干区域间的分界线信息、躯干区域与下肢区域间的分界线信息、下肢区域的结束边界信息。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:从第一类行人图像中切割出与人体部位模板同大小的临时图像;计算每一个临时图像和人体部位模板的相似度值;选取相似度值最大的临时图像作为第一类行人图像中与人体部位模板对应的身体部位区域。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:将目标行人重识别网络与第一辅助网络进行连接,得到第一目标网络;基于第一类行人图像及标签信息对第一目标网络进行训练,得到训练好的第一目标网络;去掉第一目标网络中的第一辅助网络,得到第一次训练的目标行人重识别网络。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:目标行人重识别网络包括ResNet50网络;第一辅助网络包括与Resnet50网络的第七部分连接的全连接层。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:将第一类行人图像划分为预设数量个格子;在格子中随机选取目标数量的格子作为目标区域进行丢弃;将第一类行人图像中目标区域的像素填充为0,得到第二类行人图像。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:将第一次训练的目标行人重识别网络与第二辅助网络进行连接,得到第二目标网络;基于第一类行人图像及第二类行人图像对第二目标网络进行训练,得到训练好的第二目标网络;去掉第二目标网络中的第二辅助网络,得到第二次训练的目标行人重识别网络。
本申请实施例提供的一种行人重识别设备,包括存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行计算机程序时实现如下步骤:目标行人重识别网络包括ResNet50网络;第二辅助网络包括与Resnet50网络的第一部分及第四部分连接的图像分割网络。
请参阅图7,本申请实施例提供的另一种行人重识别设备中还可以包括:与处理器202连接的输入端口203,用于传输外界输入的命令至处理器202;与处理器202连接的显示单元204,用于显示处理器202的处理结果至外界;与处理器202连接的通信模块205,用于实现行人重识别设备与外界的通信。显示单元204可以为显示面板、激光扫描使显示器等;通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接:无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:
获取无标签的第一类行人图像;
为第一类行人图像制作标签信息;
基于第一类行人图像及标签信息对目标行人重识别网络进行训练,得到第一次训练的目标行人重识别网络;
将第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
基于第一类行人图像及第二类行人图像对第一次训练的目标行人重识别网络进行训练,得到第二次训练的目标行人重识别网络,以基于目标行人重识别网络进行行人重识别。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:确定第一类行人图像中的身体部位分界线信息;将身体部位分界线信息作为第一类行人图像的标签信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:基于模板匹配法确定第一类行人图像中的身体部位分界线信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:获取预设的人体部位模板;确定第一类行人图像中与人体部位模板对应的身体部位区域;确定身体部位区域的边界坐标,边界坐标包括身体部位区域的边界在第一类行人图像中的高度值;将边界坐标与第一类行人图像的总高度的比值作为身体部位分界线信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:人体部位模板包括头部模板、躯干模板、下肢模板;身体部位区域包括头部区域、躯干区域、下肢区域;身体部位分界线信息包括头部区域的开始边界信息、头部区域与躯干区域间的分界线信息、躯干区域与下肢区域间的分界线信息、下肢区域的结束边界信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:从第一类行人图像中切割出与人体部位模板同大小的临时图像;计算每一个临时图像和人体部位模板的相似度值;选取相似度值最大的临时图像作为第一类行人图像中与人体部位模板对应的身体部位区域。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:将目标行人重识别网络与第一辅助网络进行连接,得到第一目标网络;基于第一类行人图像及标签信息对第一目标网络进行训练,得到训练好的第一目标网络;去掉第一目标网络中的第一辅助网络,得到第一次训练的目标行人重识别网络。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:目标行人重识别网络包括ResNet50网络;第一辅助网络包括与Resnet50网络的第七部分连接的全连接层。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:将第一类行人图像划分为预设数量个格子;在格子中随机选取目标数量的格子作为目标区域进行丢弃;将第一类行人图像中目标区域的像素填充为0,得到第二类行人图像。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:将第一次训练的目标行人重识别网络与第二辅助网络进行连接,得到第二目标网络;基于第一类行人图像及第二类行人图像对第二目标网络进行训练,得到训练好的第二目标网络;去掉第二目标网络中的第二辅助网络,得到第二次训练的目标行人重识别网络。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:目标行人重识别网络包括ResNet50网络;第二辅助网络包括与Resnet50网络的第一部分及第四部分连接的图像分割网络。
本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的行人重识别系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的行人重识别方法中对应部分的详细说明,在此不再赘述。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种行人重识别方法,其特征在于,包括:
获取无标签的第一类行人图像;
为所述第一类行人图像制作标签信息;
基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练,得到第一次训练的所述目标行人重识别网络;
将所述第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练,得到第二次训练的所述目标行人重识别网络,以基于所述目标行人重识别网络进行行人重识别;
其中,所述为所述第一类行人图像制作标签信息,包括:
确定所述第一类行人图像中的身体部位分界线信息;
将所述身体部位分界线信息作为所述第一类行人图像的所述标签信息;
其中,所述将所述第一类行人图像中的目标区域进行丢弃,得到第二类行人图像,包括:
将所述第一类行人图像划分为预设数量个格子;
在所述格子中随机选取目标数量的格子作为所述目标区域进行丢弃;
将第一类行人图像中所述目标区域的像素填充为0,得到所述第二类行人图像。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第一类行人图像中的身体部位分界线信息,包括:
基于模板匹配法确定所述第一类行人图像中的所述身体部位分界线信息。
3.根据权利要求2所述的方法,其特征在于,所述基于模板匹配法确定所述第一类行人图像中的所述身体部位分界线信息,包括:
获取预设的人体部位模板;
确定所述第一类行人图像中与所述人体部位模板对应的身体部位区域;
确定所述身体部位区域的边界坐标,边界坐标包括身体部位区域的边界在第一类行人图像中的高度值;
将所述边界坐标与所述第一类行人图像的总高度的比值作为所述身体部位分界线信息。
4.根据权利要求3所述的方法,其特征在于,所述人体部位模板包括头部模板、躯干模板、下肢模板;所述身体部位区域包括头部区域、躯干区域、下肢区域;所述身体部位分界线信息包括所述头部区域的开始边界信息、所述头部区域与所述躯干区域间的分界线信息、所述躯干区域与所述下肢区域间的分界线信息、所述下肢区域的结束边界信息。
5.根据权利要求4所述的方法,其特征在于,所述确定所述第一类行人图像中与所述人体部位模板对应的身体部位区域,包括:
从所述第一类行人图像中切割出与所述人体部位模板同大小的临时图像;
计算每一个所述临时图像和所述人体部位模板的相似度值;
选取相似度值最大的所述临时图像作为所述第一类行人图像中与所述人体部位模板对应的所述身体部位区域。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练,得到第一次训练的所述目标行人重识别网络,包括:
将所述目标行人重识别网络与第一辅助网络进行连接,得到第一目标网络;
基于所述第一类行人图像及所述标签信息对所述第一目标网络进行训练,得到训练好的所述第一目标网络;
去掉所述第一目标网络中的所述第一辅助网络,得到第一次训练的所述目标行人重识别网络。
7.根据权利要求6所述的方法,其特征在于,所述目标行人重识别网络包括ResNet50网络;所述第一辅助网络包括与所述ResNet50网络的第七部分连接的全连接层。
8.根据权利要求1所述的方法,其特征在于,所述基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练,得到第二次训练的所述目标行人重识别网络,包括:
将第一次训练的所述目标行人重识别网络与第二辅助网络进行连接,得到第二目标网络;
基于所述第一类行人图像及所述第二类行人图像对所述第二目标网络进行训练,得到训练好的所述第二目标网络;
去掉所述第二目标网络中的所述第二辅助网络,得到第二次训练的所述目标行人重识别网络。
9.根据权利要求8所述的方法,其特征在于,所述目标行人重识别网络包括ResNet50网络;所述第二辅助网络包括与所述ResNet50网络的第一部分及第四部分连接的图像分割网络。
10.一种行人重识别系统,其特征在于,包括:
第一获取模块,用于获取无标签的第一类行人图像;
第一制作模块,用于为所述第一类行人图像制作标签信息;
第一训练模块,用于基于所述第一类行人图像及所述标签信息对目标行人重识别网络进行训练,得到第一次训练的所述目标行人重识别网络;
第二制作模块,用于将所述第一类行人图像中的目标区域进行丢弃,得到第二类行人图像;
第二训练模块,用于基于所述第一类行人图像及所述第二类行人图像对第一次训练的所述目标行人重识别网络进行训练,得到第二次训练的所述目标行人重识别网络,以基于所述目标行人重识别网络进行行人重识别;
其中,所述第一制作模块包括:
第一确定单元,用于确定所述第一类行人图像中的身体部位分界线信息;
第一设置单元,用于将所述身体部位分界线信息作为所述第一类行人图像的所述标签信息;
其中,所述第二制作模块包括:
第一划分单元,用于将所述第一类行人图像划分为预设数量个格子;
第一选取单元,用于在所述格子中随机选取目标数量的格子作为所述目标区域进行丢弃;
第一制作单元,用于将第一类行人图像中所述目标区域的像素填充为0,得到所述第二类行人图像。
11.一种行人重识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至9任一项所述行人重识别方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述行人重识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210469672.1A CN114821651B (zh) | 2022-04-30 | 2022-04-30 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
PCT/CN2022/122305 WO2023206964A1 (zh) | 2022-04-30 | 2022-09-28 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210469672.1A CN114821651B (zh) | 2022-04-30 | 2022-04-30 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821651A CN114821651A (zh) | 2022-07-29 |
CN114821651B true CN114821651B (zh) | 2023-11-10 |
Family
ID=82509317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210469672.1A Active CN114821651B (zh) | 2022-04-30 | 2022-04-30 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114821651B (zh) |
WO (1) | WO2023206964A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821651B (zh) * | 2022-04-30 | 2023-11-10 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111027378A (zh) * | 2019-11-01 | 2020-04-17 | 深圳大学 | 行人重识别的方法、装置、终端及存储介质 |
CN112861695A (zh) * | 2021-02-02 | 2021-05-28 | 北京大学 | 行人身份再识别方法、装置、电子设备及存储介质 |
CN113205045A (zh) * | 2021-04-30 | 2021-08-03 | 广州虎牙科技有限公司 | 行人重识别方法、装置、电子设备和可读存储介质 |
CN113255573A (zh) * | 2021-06-17 | 2021-08-13 | 成都东方天呈智能科技有限公司 | 基于混合簇中心标签学习的行人重识别方法和存储介质 |
CN113947101A (zh) * | 2021-09-06 | 2022-01-18 | 上海工程技术大学 | 一种基于软化相似性学习的无监督行人重识别方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346726B2 (en) * | 2014-12-15 | 2019-07-09 | Samsung Electronics Co., Ltd. | Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image |
CN112541448B (zh) * | 2020-12-18 | 2023-04-07 | 济南博观智能科技有限公司 | 一种行人重识别方法、装置、电子设备和存储介质 |
CN112836611A (zh) * | 2021-01-26 | 2021-05-25 | 上海眼控科技股份有限公司 | 确定身体部位语义图、模型训练和行人重识别方法及设备 |
CN112766218B (zh) * | 2021-01-30 | 2023-05-30 | 上海工程技术大学 | 基于非对称联合教学网络的跨域行人重识别方法和装置 |
CN113780066B (zh) * | 2021-07-29 | 2023-07-25 | 苏州浪潮智能科技有限公司 | 行人重识别方法、装置、电子设备及可读存储介质 |
CN114821651B (zh) * | 2022-04-30 | 2023-11-10 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
CN114596592B (zh) * | 2022-04-30 | 2022-08-02 | 苏州浪潮智能科技有限公司 | 一种行人重识别方法、系统、设备及计算机可读存储介质 |
-
2022
- 2022-04-30 CN CN202210469672.1A patent/CN114821651B/zh active Active
- 2022-09-28 WO PCT/CN2022/122305 patent/WO2023206964A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111027378A (zh) * | 2019-11-01 | 2020-04-17 | 深圳大学 | 行人重识别的方法、装置、终端及存储介质 |
CN112861695A (zh) * | 2021-02-02 | 2021-05-28 | 北京大学 | 行人身份再识别方法、装置、电子设备及存储介质 |
CN113205045A (zh) * | 2021-04-30 | 2021-08-03 | 广州虎牙科技有限公司 | 行人重识别方法、装置、电子设备和可读存储介质 |
CN113255573A (zh) * | 2021-06-17 | 2021-08-13 | 成都东方天呈智能科技有限公司 | 基于混合簇中心标签学习的行人重识别方法和存储介质 |
CN113947101A (zh) * | 2021-09-06 | 2022-01-18 | 上海工程技术大学 | 一种基于软化相似性学习的无监督行人重识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023206964A1 (zh) | 2023-11-02 |
CN114821651A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
CN111126359A (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN113111814B (zh) | 基于正则化约束的半监督行人重识别方法及装置 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN111368759B (zh) | 基于单目视觉的移动机器人语义地图构建系统 | |
CN111860823B (zh) | 神经网络训练、图像处理方法及装置、设备及存储介质 | |
CN114596592B (zh) | 一种行人重识别方法、系统、设备及计算机可读存储介质 | |
CN112785636A (zh) | 一种多尺度增强式的单目深度估计方法 | |
CN112132145A (zh) | 一种基于模型扩展卷积神经网络的图像分类方法及系统 | |
CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN114037640A (zh) | 图像生成方法及装置 | |
CN114821651B (zh) | 一种行人重识别方法、系统、设备及计算机可读存储介质 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
CN113177956B (zh) | 一种面向无人机遥感影像的语义分割方法 | |
CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、系统、装置及介质 | |
CN111738040A (zh) | 一种减速带识别方法及系统 | |
CN109543716B (zh) | 一种基于深度学习的k线形态图像识别方法 | |
CN117218545A (zh) | 基于LBP特征与改进Yolov5的雷达图像检测方法 | |
CN115861595A (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
CN115761552A (zh) | 面向无人机机载平台的目标检测方法、系统、设备及介质 | |
CN115063831A (zh) | 一种高性能行人检索与重识别方法及装置 | |
CN111860668A (zh) | 一种针对原始3d点云处理的深度卷积网络的点云识别方法 | |
CN113792617B (zh) | 一种结合图像信息和文本信息的图像解译方法 |
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 |