-
公开(公告)号：CN113269117B
公开(公告)日：2022-12-13
申请号：CN202110625592.6
申请日：2021-06-04
Applicant: 重庆大学
Abstract: 本发明涉及一种基于知识蒸馏的行人重识别方法，该方法建立结构完整行人网络和部分行人网络，以完整行人图像训练完整行人网络，以随机截取的部分图像训练部分行人网络，当损失不再下降，两个网络的训练结束；对于待预测图像，若待预测图像是完整行人图像，则输入训练好的完整行人网络中，否则输入训练好的部分行人网络中，计算待预测图像的特征与数据库中各图像的特征之间的距离，根据距离由大到小的顺序输出与待预测图像的特征之间距离排在前M的图像。本发明方法通过损失计算将完整行人网络和部分行人网络进行联合，提高了检测结果的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN114882531B
公开(公告)日：2025-04-01
申请号：CN202210554612.X
申请日：2022-05-19
Applicant: 重庆大学
IPC: G06V40/10 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/084
Abstract: 本发明涉及一种基于深度学习的跨域行人再识别方法，包括如下步骤：选用公开数据集作为源域和目标域；选用ResNet‑50模型M并进行初始化其参数得到M′；将源域和目标域作为初始化模型M′的输入并计算相应损失对模型M′进行训练，达到最大训练次数后停止训练，得到训练好的模型M″；将待预测行人图像输入训练好的模型M″中，得到行人的检索结果。使用本发明方法可以更准确的检测识别特定行人。
-
公开(公告)号：CN116630884B
公开(公告)日：2025-04-04
申请号：CN202310569837.7
申请日：2023-05-19
Applicant: 重庆大学
IPC: G06V20/52 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于跨模态融合和模态去相关的跨模态行人再识别方法，该方法利用两个部分充分挖掘两个模态样本图像和特征间的关联：跨模态通道融合和模态去相关五元组损失。跨模态通道融合作为数据增强，相当于在数据集中补充了同时具有RGB和红外图像信息的新样本，使得模型的输入空间更加连续。CCM不会引入额外的参数或模型，可以很容易地与其他方法结合。该方法同时考虑了两个模态的图像信息，促使模型学习模态间的关联。模态去相关五元组损失约束了正样本对和负样本对内部的距离关系，从而减小特征与其所属模态的相关性，消除特征中冗余的模态特定信息。该方法从图像和特征层面同时解决模态差异问题，能更好地提升跨模态检索的性能。
-
公开(公告)号：CN114882531A
公开(公告)日：2022-08-09
申请号：CN202210554612.X
申请日：2022-05-19
Applicant: 重庆大学
IPC: G06V40/10 , G06V10/74 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明涉及一种基于深度学习的跨域行人再识别方法，包括如下步骤：选用公开数据集作为源域和目标域；选用ResNet‑50模型M并进行初始化其参数得到M′；将源域和目标域作为初始化模型M′的输入并计算相应损失对模型M′进行训练，达到最大训练次数后停止训练，得到训练好的模型M″；将待预测行人图像输入训练好的模型M″中，得到行人的检索结果。使用本发明方法可以更准确的检测识别特定行人。
-
公开(公告)号：CN116630884A
公开(公告)日：2023-08-22
申请号：CN202310569837.7
申请日：2023-05-19
Applicant: 重庆大学
IPC: G06V20/52 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于跨模态融合和模态去相关的跨模态行人再识别方法，该方法利用两个部分充分挖掘两个模态样本图像和特征间的关联：跨模态通道融合和模态去相关五元组损失。跨模态通道融合作为数据增强，相当于在数据集中补充了同时具有RGB和红外图像信息的新样本，使得模型的输入空间更加连续。CCM不会引入额外的参数或模型，可以很容易地与其他方法结合。该方法同时考虑了两个模态的图像信息，促使模型学习模态间的关联。模态去相关五元组损失约束了正样本对和负样本对内部的距离关系，从而减小特征与其所属模态的相关性，消除特征中冗余的模态特定信息。该方法从图像和特征层面同时解决模态差异问题，能更好地提升跨模态检索的性能。
-
公开(公告)号：CN113269117A
公开(公告)日：2021-08-17
申请号：CN202110625592.6
申请日：2021-06-04
Applicant: 重庆大学
Abstract: 本发明涉及一种基于知识蒸馏的行人重识别方法，该方法建立结构完整行人网络和部分行人网络，以完整行人图像训练完整行人网络，以随机截取的部分图像训练部分行人网络，当损失不再下降，两个网络的训练结束；对于待预测图像，若待预测图像是完整行人图像，则输入训练好的完整行人网络中，否则输入训练好的部分行人网络中，计算待预测图像的特征与数据库中各图像的特征之间的距离，根据距离由大到小的顺序输出与待预测图像的特征之间距离排在前M的图像。本发明方法通过损失计算将完整行人网络和部分行人网络进行联合，提高了检测结果的鲁棒性。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
