买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】一种基于深度多示例学习的行人重识别方法_华中科技大学_201910848519.8 

申请/专利权人:华中科技大学

申请日:2019-09-09

公开(公告)日:2022-09-20

公开(公告)号:CN110751027B

主分类号:G06V40/10

分类号:G06V40/10;G06V10/40;G06V10/764;G06N3/04;G06N3/08

优先权:

专利状态码:有效-授权

法律状态:2022.09.20#授权;2020.02.28#实质审查的生效;2020.02.04#公开

摘要:本发明公开了一种基于深度多示例学习的行人重识别方法,属于数字图像识别领域,本发明构建的行人重识别模型首先通过CNN获取多张不同尺寸的特征图;然后通过可学习的方式将每一张特征图划分为多个部分,得到深度多示例学习中的示例;最后对负示例进行丢弃后利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量;根据行人身份对输出的多个特征向量进行分类以对训练模型进行训练;对训练好的行人重识别模型输出的多个特征向量进行加权串接用于测试。本发明结合深度多示例学习思想,采用NetVLAD和GhostVLAD提取图片中的局部特征,提高了网络的抗形变能力,进而提高了行人重识别算法的准确率。

主权项:1.一种基于深度多示例学习的行人重识别方法,其特征在于,包括:1构建行人重识别模型;所述行人重识别模型包括特征提取单元、示例挖掘单元、负示例丢弃单元;所述特征提取单元,用于通过卷积神经网络对原始图像进行特征提取,得到多张不同尺度的特征图;所述示例挖掘单元,用于通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,并将所述局部特征描述子作为深度多示例学习中的示例;所述通过可学习的方式将每一张特征图划分为多个部分,得到每个部分对应的局部特征描述子,具体方法为:01将每一个c×w×h的特征图,视为h×w个c维的特征点,对所有特征点进行降维;其中,w为特征图的宽度,h为特征图的高度,c为特征图的通道数;02定义N个D维的类中心向量,计算每个降维后的特征点与每一个类中心的距离,得到h×w×N个距离值;其中D为降维后的特征点维度,N为类中心的数目;03根据计算得到的距离,计算每个特征点属于对应类中心的概率;04对计算得到的概率进行处理,使每一个特征点属于每一个类中心的概率大于设定阈值;05根据经过处理后的概率,通过公式计算得到N个类中心对应的局部特征描述子;所述负示例丢弃单元,用于对所述示例中的负示例进行丢弃,并利用正示例对每张特征图生成对应的特征向量,得到不同尺度特征图对应的多个特征向量;所述对所述示例中的负示例进行丢弃,具体为:给定一个背景类的数目Nb,将所述示例中前N-Nb个串接形成特征向量,其余的丢弃2将原始图片作为所述行人重识别模型的输入,将原始图片内行人对应的身份标签作为所述行人重识别模型输出向量经过分类后的期望输出,对所述行人重识别模型进行训练;3将目标图片和多个待检索图片分别输入训练好的行人重识别模型,将目标图片输出的多个特征向量进行加权串接后作为目标特征向量,将每个待检索图片输出的多个特征向量进行加权串接后作为待检索特征向量,计算目标特征向量与每个待检索特征向量的相似度并进行排序,得到行人重识别结果。

全文数据:

权利要求:

百度查询: 华中科技大学 一种基于深度多示例学习的行人重识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。