公开(公告)号：CN117173476B

公开(公告)日：2024-05-24

申请号：CN202311138188.1

申请日：2023-09-05

Applicant: 北京交通大学

Inventor： 孙嘉 ,  李艳凤 ,  陈卢一夫 ,  陈后金 ,  王敏鋆

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V40/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种单源域泛化行人再识别模型训练方法，包括如下步骤：将预处理图像输入冻结网络和基线网络，获得冻结特征图和基线特征图；所述冻结网络的权重和所述基线网络的初始权重为预训练网络权重；将所述冻结特征图和基线特征图输入浅层特征补偿模块，改变每幅基线特征图的像素值，输出补偿基线特征图；将所述补偿基线特征图经过池化后的特征向量输入深层特征整合模块，输出一个与训练数据集中行人类别数等维的特征向量；将所述与训练数据集中行人类别数等维的特征向量输入损失计算模块，计算总损失；将总损失在基线网络中反向传播，保存收敛后的单源域泛化模型。相比于其他同领域的方法具有更高的识别准确率，提高了泛化识别性能。

公开(公告)号：CN118486048B

公开(公告)日：2025-03-21

申请号：CN202410582240.0

申请日：2024-05-11

Applicant: 北京交通大学

Inventor： 孙嘉 ,  李艳风 ,  陈后金 ,  陈卢一夫 ,  王敏鋆

IPC: G06V40/10 ,  G06V20/52 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/084

Abstract: 本发明一种基于双重元学习模型的域泛化行人再识别方法，S1:将原始图像输入到元训练模型训练，计算元训练阶段的损失；S2：将与S1中输入的原始图像的不同类别的图像输入到类别元测试模型，计算类别元测试阶段的损失，将其与所述元训练阶段的损失相加作为类别元测试阶段的总损失；S3:将S2中输入的图像输入到风格元测试模型，计算风格元测试阶段的损失，与类别元测试阶段的总损失相加作为总损失，本发明的有益效果在于，过分别进行类别元测试阶段和风格元测试阶段，充分模拟未知域中行人类别和图像风格的变化，提升模型的泛化性能。

公开(公告)号：CN117173477B

公开(公告)日：2024-06-21

申请号：CN202311138371.1

申请日：2023-09-05

Applicant: 北京交通大学

Inventor： 李艳凤 ,  陈卢一夫 ,  孙嘉 ,  陈后金 ,  陈紫微 ,  王敏鋆

IPC: G06V10/764 ,  G06V10/774 ,  G06V40/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于多层级数据扰动策略的域泛化行人再识别模型训练方法，包括：将原始行人图像输入显式随机扰动模块，将目标行人和扰动后的行人背景重构成背景扰动后的行人图像，获得背景随机扰动后的行人图像；将原始行人图像与背景扰动后的行人图像组合成图像对，将所述图像对输入基线网络进行特征提取，不确定抽样标准化模块对提取后的特征进行隐式扰动，整合后获得输出特征对；将所述输出特征对，输入损失计算模块，将所述输出特征对拆分为原始行人特征与扰动行人特征计算协方差损失，最终计算总损失，将总损失在所述基线网络中反向传播，更新网络权重。本发明在不增加模型参数前提下，显著提升了模型泛化性。

公开(公告)号：CN117173476A

公开(公告)日：2023-12-05

申请号：CN202311138188.1

申请日：2023-09-05

Applicant: 北京交通大学

Inventor： 孙嘉 ,  李艳凤 ,  陈卢一夫 ,  陈后金 ,  王敏鋆

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V40/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种单源域泛化行人再识别模型训练方法，包括如下步骤：将预处理图像输入冻结网络和基线网络，获得冻结特征图和基线特征图；所述冻结网络的权重和所述基线网络的初始权重为预训练网络权重；将所述冻结特征图和基线特征图输入浅层特征补偿模块，改变每幅基线特征图的像素值，输出补偿基线特征图；将所述补偿基线特征图经过池化后的特征向量输入深层特征整合模块，输出一个与训练数据集中行人类别数等维的特征向量；将所述与训练数据集中行人类别数等维的特征向量输入损失计算模块，计算总损失；将总损失在基线网络中反向传播，保存收敛后的单源域泛化模型。相比于其他同领域的方法具有更高的识别准确率，提高了泛化识别性能。

公开(公告)号：CN118486048A

公开(公告)日：2024-08-13

申请号：CN202410582240.0

申请日：2024-05-11

Applicant: 北京交通大学

Inventor： 孙嘉 ,  李艳风 ,  陈后金 ,  陈卢一夫 ,  王敏鋆

IPC: G06V40/10 ,  G06V20/52 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/084

Abstract: 本发明一种基于双重元学习模型的域泛化行人再识别方法，S1:将原始图像输入到元训练模型训练，计算元训练阶段的损失；S2：将与S1中输入的原始图像的不同类别的图像输入到类别元测试模型，计算类别元测试阶段的损失，将其与所述元训练阶段的损失相加作为类别元测试阶段的总损失；S3:将S2中输入的图像输入到风格元测试模型，计算风格元测试阶段的损失，与类别元测试阶段的总损失相加作为总损失，本发明的有益效果在于，过分别进行类别元测试阶段和风格元测试阶段，充分模拟未知域中行人类别和图像风格的变化，提升模型的泛化性能。

公开(公告)号：CN117173477A

公开(公告)日：2023-12-05

申请号：CN202311138371.1

申请日：2023-09-05

Applicant: 北京交通大学

Inventor： 李艳凤 ,  陈卢一夫 ,  孙嘉 ,  陈后金 ,  陈紫微 ,  王敏鋆

IPC: G06V10/764 ,  G06V10/774 ,  G06V40/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于多层级数据扰动策略的域泛化行人再识别模型训练方法，包括：将原始行人图像输入显式随机扰动模块，将目标行人和扰动后的行人背景重构成背景扰动后的行人图像，获得背景随机扰动后的行人图像；将原始行人图像与背景扰动后的行人图像组合成图像对，将所述图像对输入基线网络进行特征提取，不确定抽样标准化模块对提取后的特征进行隐式扰动，整合后获得输出特征对；将所述输出特征对，输入损失计算模块，将所述输出特征对拆分为原始行人特征与扰动行人特征计算协方差损失，最终计算总损失，将总损失在所述基线网络中反向传播，更新网络权重。本发明在不增加模型参数前提下，显著提升了模型泛化性。