申请/专利权人:河北工程大学
申请日:2023-12-07
公开(公告)日:2024-04-26
公开(公告)号:CN117935299A
主分类号:G06V40/10
分类号:G06V40/10;G06V10/25;G06V10/42;G06V10/44;G06V10/80;G06V10/82;G06N3/045;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了基于多阶特征分支和局部注意力的行人重识别模型,涉及图像识别技术领域,包括以下步骤,对训练集中的行人图像进行数据增强预处理操作,输出行人特征图;经过广义平均池化操作计算对应的特征向量,得到多阶特征分支;全局特征向量与加权聚合的局部特征共同得到最终特征向量;使用难样本三元组损失函数、交叉熵损失函数和改进的中心损失函数来训练特征提取网络;计算待查询行人特征和测试集中所有行人特征的欧氏距离,得到查询行人的近邻列表,完成行人重识别。本发明采用上述步骤,通过可变的注意力参数引导融合图像不同区域之后的特征作为最终的特征向量对图像进行表示,有利于自适应的挖掘行人各身体部位之间的上下文信息。
主权项:1.基于多阶特征分支和局部注意力的行人重识别模型,其特征在于:包括以下步骤,S1、对数据集中的行人图像进行数据增强预处理操作,提取特征后得到中间特征图,对图像像素进行维度的变换,再对行人图像进行增强后输入特征提取网络中,输出行人特征图;S2、将S1中得到的行人特征图中的特征在空间维度上分为全局特征、二阶局部特征以及三阶局部特征,经过广义平均池化操作计算得到P个对应的特征向量,得到多阶特征分支;S3、将S2中的多阶特征分支经过线性变换后输入由注意力机制引导的加权聚合模块中,得到注意力增强的局部特征向量,将其与初始化的动态权值矩阵相乘后得到加权聚合的局部特征,全局特征向量与加权聚合的局部特征共同得到最终特征向量;S4、将S3中的最终特征向量使用难样本三元组损失函数、交叉熵损失函数和改进的中心损失函数来训练特征提取网络,计算特征提取网络中参数的梯度,反向更新特征提取网络中的参数,完成特征提取网络的训练;S5、测试阶段时,在S4中的特征提取网络中输入待查询的行人图像和测试集中的所有行人图像,得到测试集中所有行人特征,计算待查询行人特征和图库中所有行人特征的欧氏距离,按照距离的大小递增排序,得到查询行人的近邻列表,完成行人重识别。
全文数据:
权利要求:
百度查询: 河北工程大学 基于多阶特征分支和局部注意力的行人重识别模型
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。