申请/专利权人：同济大学

申请日：2020-06-19

公开（公告）日：2022-09-20

公开（公告）号：CN111814845B

主分类号：G06V10/80

分类号：G06V10/80;G06V10/764;G06V10/774;G06N3/08;G06T5/00;G06T7/246;G06V10/82;G06V10/74;G06V40/10

优先权：["20200326 CN 2020102245121"]

专利状态码：有效-授权

法律状态：2022.09.20#授权;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明涉及一种基于多支流融合模型的行人重识别方法，该方法使用深度学习技术，对训练集图片进行翻转、裁剪、随机擦除等预处理操作，然后经过基本网络模型进行特征提取，在使用多个支流损失函数进行融合联合训练网络，在第一、二条支流使用胶囊网络从水平方向和垂直方向来提取不同位置切片的空间关系，第三条支流使用胶囊网络来学习所获得特征图不同通道间的相关关系，第四条支流用于学习全局特征，第五条支流用于进行相应的相似度度量，通过多个支流模型的融合，考虑了不同的分割区域之间的相互关系，能够有效获取水平方向的身体零件特征，进而使网络提取的特征更加有效。

主权项：1.一种基于多支流融合模型的行人重识别方法，其特征在于，该方法包括下列步骤：1对基准数据集的图片数据随机进行翻转、加噪声、自动裁剪、随机擦除的数据预处理操作；2采用ResNet50作为基准网络模型，对基准网络模型进行训练；3将步骤1处理得到的图片数据输入优化及调整后的基准网络模型中，利用多个支流模型的损失函数的融合，联合训练基准网络模型；4对提取出的特征分别两两计算欧式距离，并对计算的欧式距离进行排序，在候选集中选取与查询集中目标距离最近的图片作为识别结果，具体内容为：将预处理得到的训练集图片输入到调整后且去掉全连接层的ResNet-50中进行特征提取，通过主体特征提取器得到特征图后，将特征图进行不同的重组操作，重组后的特征图分别送入各个支流模型，各个支流模型通过总损失函数监督模型训练；各个支流模型包括五条基于胶囊网络的支流模型，第一条支流模型通过胶囊网络从水平方向提取特征图中不同位置切片的空间关系，第二条支流模型通过胶囊网络从垂直方向提取特征图中不同位置切片的空间关系，第三条支流通过胶囊网络学习所获得特征图中不同通道间的相关关系，第四条支流学习特征图的全局特征，第五条支流获取特征图中相应的相似度度量。

全文数据：

权利要求：

百度查询： 同济大学 一种基于多支流融合模型的行人重识别方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD