-
公开(公告)号：CN107729805A
公开(公告)日：2018-02-23
申请号：CN201710780179.0
申请日：2017-09-01
Applicant: 北京大学
Abstract: 本发明公开了用于行人再识别的神经网络和基于深度学习的行人再识别算法。该神经网络包括：使用行人的原始全身图像作为第一输入并输出第一识别特征的第一神经网络；使用从行人的原始全身图像提取的人体部位图像的仿射变换图像作为第二输入并输出第二识别特征的第二神经网络，其中，人体部位至少包括头部、躯干和四肢，第一识别特征和第二识别特征组合为总识别特征。具有更加鲁棒的行人特征匹配能力，从而能够提高正确识别率和/或降低误识率。
-
公开(公告)号：CN114926895A
公开(公告)日：2022-08-19
申请号：CN202210339901.8
申请日：2022-04-01
Applicant: 北京大学
Abstract: 本申请涉及深度学习及姿态估计技术领域，更为具体来说，本申请涉及一种基于上下文实例解耦的多人姿态估计方法与装置。所述方法包括：获取预设数目个包含多人的图像；将所述包含多人的图像作为训练样本输入基于上下文实例解耦的多人姿态估计模型中进行训练；采用训练好的基于上下文实例解耦的多人姿态估计模型对目标图像进行姿态估计；其中，所述基于上下文实例解耦的多人姿态估计模型设置有实例信息抽象模块、全局特征解耦模块和热图估计模块。本申请所述方法与装置能够在更大范围内探索上下文线索，从而对空间检测错误具有鲁棒性，且在精度和效率上均优。
-
公开(公告)号：CN110543817A
公开(公告)日：2019-12-06
申请号：CN201910677983.5
申请日：2019-07-25
Applicant: 北京大学
Abstract: 本发明公开了一种基于姿势指导特征学习的行人再识别方法，包括：将原始图像进行姿势归一化处理，得到姿势归一化图像；将原始图像与姿势归一化图像进行权值共享处理后再分别进行全局平均池化，得到姿势不变特征；对原始图像进行身体区域划分得到若干身体区域图像，将原始图像与若干身体区域图像进行权值共享处理后再分别进行全局平均池化，得到局部描述特征；将姿势不变特征和局部描述特征连接为姿势指导特征。本发明提供的方法，获取对姿势变化具有鲁棒性的姿势不变特征和对错位误差具有鲁棒性的局部描述特征，利用姿势不变特征和局部描述特征组合成姿势指导特征进行行人再识别，提高了再识别精度和特征提取效率。
-
公开(公告)号：CN109886090A
公开(公告)日：2019-06-14
申请号：CN201910013082.6
申请日：2019-01-07
Applicant: 北京大学
Abstract: 一种基于多时间尺度卷积神经网络的视频行人再识别方法，包括：利用多时间尺度卷积神经网络模型处理视频，获得具有空间特征和多尺度时间特征的第一输出，其中，所述多时间尺度卷积神经网络由在空间卷积神经网络中插入多尺度的3D卷积层和残差注意力层获得；利用空间卷积神经网络模型处理所述视频，获得具有空间特征的第二输出；将所述第一输出和所述第二输出进行融合；根据融合结果，对所述视频中的行人进行步态识别和/或空间特征识别。本发明实现了对视频中行人的空间特征(衣着)以及步态的识别，具有更高的识别率。与2D神经网络相比，获取了多尺度的时间线索；与3D神经网路相比，引入的参数容量更小，在相同系统中的运行速度更快。
-
公开(公告)号：CN111597887B
公开(公告)日：2023-02-03
申请号：CN202010269718.6
申请日：2020-04-08
Applicant: 北京大学
IPC: G06V40/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种行人再识别方法及系统，包括：输入训练集至待训练模型，确定训练集中的每个图像数据的单分类标签和记忆特征；根据单分类标签和记忆特征集合，通过正标签预测，确定多分类标签；根据训练集中的每个图像数据的图像特征和记忆特征集合，确定分类分数；根据多分类标签和分类分数确定多标签分类损失；根据多标签分类损失，更新和训练待训练模型，得到识别模型。通过根据训练集中的每个图像数据的图像特征和记忆特征集合确定分类分数，不受数据集领域影响；根据单分类标签和记忆特征集合，通过正标签预测确定多分类标签，再根据多分类标签和分类分数确定多标签分类损失，更新和训练待训练模型，识别模型的性能高，鲁棒性强，成本低。
-
Patent Agency Ranking
公开(公告)号：CN112232422A
公开(公告)日：2021-01-15
申请号：CN202011126529.X
申请日：2020-10-20
Applicant: 北京大学
Abstract: 本发明公开了一种人体目标行人的重识别方法、装置、电子设备和存储介质，所述方法包括：通过数据域无关映射模型，将标注数据集中的各个第一图像和无标注数据集中的各个第二图像均映射到共享特征空间中；通过全局优化以及局部优化模型对重识别模型进行优化，得到优化后的重识别模型；通过优化后的重识别模型的分类器，对无标注数据集中的各个第二图像进行重识别，并判断视频库中是否包括目标行人的目标视频。因此，采用本申请实施例，由于引入了数据域无关映射模型，能够通过迁移技术，使得在有标签数据上训练得到的模型，能够应用于无标签数据集上；此外，通过引入全局优化以及局部优化模型，提升了训练对标签噪声的鲁棒性，提升了重识别模型的模型性能。
-
公开(公告)号：CN112052722A
公开(公告)日：2020-12-08
申请号：CN202010707102.2
申请日：2020-07-21
Applicant: 北京大学
Abstract: 本申请公开了一种行人身份再识别方法及存储介质，该方法包括：对图像识别神经网络模型进行调整；检测调整后的图像识别神经网络模型的识别准确度；根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；若否，则转向所述对图像识别神经网络模型进行调整。本申请实施例提供的行人身份再识别方法，兼顾视觉相似性和时间一致性，实现无监督行人身份再识别，具有更强的鲁棒性和更好的性能，可以用于无标记信息的情况下提取具有高判别力和高鲁棒性的行人特征，可应用于行人的准确检索与匹配。
-
公开(公告)号：CN107977656A
公开(公告)日：2018-05-01
申请号：CN201711435514.X
申请日：2017-12-26
Applicant: 北京大学
Abstract: 本发明提供了一种行人重识别方法及系统，基于行人姿态归一化与时间金字塔池化，包括如下步骤：接收视频图像序列，通过空间二维仿射变换完成所述视频图像序列的空间对齐；提取经过二维仿射变换后所述视频图像序列内多个帧的全局特征；使用时间金字塔池化算法，融合所述视频图像序列中多个帧的全局特征，以获得等长的序列级别的图像特征。与传统方法相比，在多个基于视频的行人再识别数据集上，本发明的识别准确率超过了多个最新的方法，且具有更低的算法复杂度。
-
公开(公告)号：CN112861695B
公开(公告)日：2023-10-24
申请号：CN202110142947.6
申请日：2021-02-02
Applicant: 北京大学
IPC: G06V40/10 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种行人身份再识别方法、装置、电子设备及存储介质。该方法包括：利用特征提取网络提取多个摄像头所采集的所有图像样本的特征；根据特征分别处理同一摄像头所采集的图像样本，获得若干第一伪标签；利用第一伪标签训练多分支卷积神经网络；利用训练后的多分支卷积神经网络处理所有图像样本，获得若干第二伪标签；利用第二伪标签训练特征提取网络；利用训练好的特征提取网络对输入图像进行行人身份再识别。本申请的行人身份再识别方法能够实现更好的相似度计算，提高了伪标签的质量，从而充分利用了训练数据使身份再识别模型得到更好地训练，在无标注信息的情况下提取具有高判别力和高鲁棒性的行人特征，实现行人的准确检索与匹配。
-
公开(公告)号：CN114584713B
公开(公告)日：2022-09-20
申请号：CN202210466831.2
申请日：2022-04-29
Applicant: 北京大学
Abstract: 本申请提供了一种脉冲相机仿真方法、装置、控制设备及可读存储介质，所述方法包括：提取待仿真视频的关键帧序列，将所述关键帧序列转换成强度图序列；根据所述脉冲相机的工作时钟频率提升所述强度图序列的帧率；获取积分发放模型，根据所述积分发放模型对所述强度图序列进行仿真；输出仿真后的脉冲数据。这样，通过模拟脉冲相机的成像过程，将现有的图像和视频数据转化成脉冲数据，解决了真实的脉冲数据严重匮乏的问题。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.018 seconds)
