公开(公告)号：CN117133015A

公开(公告)日：2023-11-28

申请号：CN202311050670.X

申请日：2023-08-21

Applicant: 南昌大学

Inventor： 闵卫东 ,  白冬 ,  汪琦 ,  韩清 ,  盖迪

IPC: G06V40/10 ,  G06V10/25 ,  G06V10/74 ,  G06V10/44 ,  G06V10/80 ,  G06V10/774 ,  G06V10/26 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供了一种基于细粒度交互网络的换衣行人重识别方法，S1，对换衣行人数据集图像预处理，通过像素采样生成换衣后图像；S2，采用ResNet50作为主干网络，将初始图像和生成图像一同输入主干网络，提取它们的特征向量F和引入空间注意力模块获得其对应的细粒度特征；S3，构建成对交互网络，将细粒度特征交互嵌入到特征空间和F，通过non‑local模块自适应地融合相似的上下文信息，获得具有判别力的特征区域，用于行人身份的检索；S4，通过多个损失函数联合对行人特征进行优化。本发明引入注意力算法聚焦于服装区域之外的细粒度空间特征；设计成对交互网络，进一步抑制服装区域对模型的影响，提升模型的鉴别能力。

公开(公告)号：CN115661867A

公开(公告)日：2023-01-31

申请号：CN202211395116.0

申请日：2022-11-08

Applicant: 南昌大学

Inventor： 韩清 ,  闵卫东 ,  汪琦 ,  李龙飞 ,  黄铁梅

IPC: G06V40/10 ,  G06V10/80 ,  G06V10/42 ,  G06V10/44 ,  G06V10/26 ,  G06V20/70 ,  G06V10/74 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明提供了一种基于三维骨架信息和优化区域匹配的双流行人重识别方法，包括以下步骤：步骤1，使用三维骨架进行局部区域优化分割，提取局部特征；步骤2，使用孪生网络提取全局特征，充分利用标签信息；步骤3，将局部特征与全局特征进行融合，以保持人的完整性；步骤4，设计了一种用于度量学习的优化区域匹配方法。本发明提出了一种三维骨架和双流方法来实现人物Re‑ID。该方法的第一个流使用三维骨架进行背景过滤和区域分割。第二个流使用孪生网络提取全局描述符。这两条流的特征融合在一起，以保持人的完整性。设计了一种用于度量学习的优化区域匹配方法。实验结果表明，该方法在识别精度上优于现有方法。

公开(公告)号：CN111797700B

公开(公告)日：2022-12-06

申请号：CN202010523812.X

申请日：2020-06-10

Applicant: 南昌大学

Inventor： 闵卫东 ,  汪琦 ,  黄铁梅 ,  刘慧婷 ,  赵浩宇

IPC: G06V10/75 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于细粒度判别网络与二阶重排序的车辆重识别方法，所述方法主要由两个部分组成：细粒度判别网络和二阶段重排序算法；所述细粒度判别网络的整个网络架构采用多元损失来监督，由两部分组成：孪生网络和细粒度网络；所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征，并将其分为两个阶段。在本发明中，细粒度判别网络可用于提取更多细微特征并改进重排序方法。首先，将孪生网络和细粒度网络结合以提取融合特征。提取的特征具有更强的判别细微差异的能力。应用二阶段重排序算法来获得样本均值特征，然后将其添加到最终距离度量中，使得匹配列表中的前k个候选样本所包含的正样本数量增加了。

公开(公告)号：CN109583305B

公开(公告)日：2022-05-20

申请号：CN201811282149.8

申请日：2018-10-30

Applicant: 南昌大学

Inventor： 闵卫东 ,  李祥鹏 ,  黄杰 ,  赵浩宇 ,  张愚 ,  刘瑞康 ,  汪琦 ,  朱梦 ,  韩清

IPC: G06V20/10 ,  G06V20/62 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特征与k‑倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。

公开(公告)号：CN109583305A

公开(公告)日：2019-04-05

申请号：CN201811282149.8

申请日：2018-10-30

Applicant: 南昌大学

Inventor： 闵卫东 ,  李祥鹏 ,  黄杰 ,  赵浩宇 ,  张愚 ,  刘瑞康 ,  汪琦 ,  朱梦 ,  韩清

IPC: G06K9/00 ,  G06K9/32 ,  G06N3/04

Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R-CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k-倒数编码，将紧凑特征与k-倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。