-
公开(公告)号：CN109948561B
公开(公告)日：2019-11-08
申请号：CN201910227955.3
申请日：2019-03-25
Applicant: 广东石油化工学院
Abstract: 本发明属于行人重识别技术领域，公开了一种基于迁移网络的无监督图像视频行人重识别的方法及系统，将源域中图像和视频数据集用改进后的三元组网络分别进行特征提取；使用源域数据集和目标域训练集训练生成对抗网络；根据目标训练集中待识别的行人图像Iti使用训练好的生成对抗网络，生成深度特征；计算图像的深度特征与目标域中视频的深度特征之间的欧氏距离；选择与查询图像距离最近的视频，打上与图像相同的类标记。本发明使用无监督的方法消除了图像和视频之间的鸿沟，大大节省了标记成本，提高了行人重识别的效率；通过对不同模态图像和视频进行无监督深度学习，有效提高了跨模识别的效率。
-
公开(公告)号：CN109993229A
公开(公告)日：2019-07-09
申请号：CN201910261964.4
申请日：2019-04-02
Applicant: 广东石油化工学院
IPC: G06K9/62
Abstract: 本发明公开了一种严重不平衡数据分类方法，该方法将生成对抗网络引入多重集合的构建过程，使得每个子集的分布与原数据集相同，在处理数据的非线性问题上，该方法将深度度量与多重集合的特征学习相结合，并设计了一个新的判定项用于加强度量的判定性，本发明方法充分考虑了严重不平衡数据对分类结果的影响，使用深度神经网络增强了其与原有数据的相似性以及数据本身的判定性，提高了分类效率。
-
公开(公告)号：CN109948561A
公开(公告)日：2019-06-28
申请号：CN201910227955.3
申请日：2019-03-25
Applicant: 广东石油化工学院
Abstract: 本发明属于行人重识别技术领域，公开了一种基于迁移网络的无监督图像视频行人重识别的方法及系统，将源域中图像和视频数据集用改进后的三元组网络分别进行特征提取；使用源域数据集和目标域训练集训练生成对抗网络；根据目标训练集中待识别的行人图像Iti使用训练好的生成对抗网络，生成深度特征；计算图像的深度特征与目标域中视频的深度特征之间的欧氏距离；选择与查询图像距离最近的视频，打上与图像相同的类标记。本发明使用无监督的方法消除了图像和视频之间的鸿沟，大大节省了标记成本，提高了行人重识别的效率；通过对不同模态图像和视频进行无监督深度学习，有效提高了跨模识别的效率。
-
-
Search Results
3
records
(took 0.035 seconds)
