公开(公告)号：CN107292259A

公开(公告)日：2017-10-24

申请号：CN201710450306.0

申请日：2017-06-15

Applicant: 国家新闻出版广电总局广播科学研究院 ,  北京邮电大学

Inventor： 郑苏桐 ,  郭晓强 ,  李小雨 ,  姜竹青 ,  门爱东

IPC: G06K9/00 ,  G06K9/46

Abstract: 本发明涉及一种基于AdaRank的深度特征和传统特征的集成方法，其主要技术特点是：将图像数据进行分割，针对不同部分分别构造并训练深度卷及神经网络，用以获得深度特征；从行人再识别数据中提取传统特征，包括LOMO特征、ELF6特征、Hog3D特征；选取如下三种度量学习方法：KISSME、kLFDA和LMNN；将所有特征与三种度量学习方法进行组合张成笛卡尔乘积，得到一系列弱排序器；利用AdaRank算法，对弱排序器进行集成学习，最终得到强排序器。本发明设计合理，结合了深度学习、多特征、度量学习、集成学习，通过构造“弱排序器”并进行集成学习，使得系统的整体性能远远高于单一特征和单一度量算法，使得系统整体匹配率大大提升，获得了很好的性能。

公开(公告)号：CN110188835B

公开(公告)日：2021-03-16

申请号：CN201910483958.3

申请日：2019-06-05

Applicant: 国家广播电视总局广播电视科学研究院 ,  北京邮电大学

Inventor： 刘剑蕾 ,  郭晓强 ,  周芸 ,  李小雨 ,  付光涛 ,  姜竹青 ,  门爱东

IPC: G06K9/62 ,  G06K9/00 ,  G06K9/34

Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法，包括使用Mask‑RCNN图像分割算法分割出图像中行人的掩膜图像；结合掩膜图像和手工标注行人属性，训练一个端到端的改进星形生成式对抗网络，从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像；使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像；将真实图像和假训练图像一起送入行人再识别模型，计算行人图像间距离并完成行人再识别功能。本发明设计合理，利用生成式对抗网络生成更多的训练样本，同时生成的图像背景能够有效地表示相对应摄像头下的真实场景，有效提高行人再识别模型的鲁棒性和判决能力，有效提高了行人再识别的准确率。

公开(公告)号：CN110188835A

公开(公告)日：2019-08-30

申请号：CN201910483958.3

申请日：2019-06-05

Applicant: 国家广播电视总局广播电视科学研究院 ,  北京邮电大学

Inventor： 刘剑蕾 ,  郭晓强 ,  周芸 ,  李小雨 ,  付光涛 ,  姜竹青 ,  门爱东

IPC: G06K9/62 ,  G06K9/00 ,  G06K9/34

Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法，包括使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像；结合掩膜图像和手工标注行人属性，训练一个端到端的改进星形生成式对抗网络，从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像；使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像；将真实图像和假训练图像一起送入行人再识别模型，计算行人图像间距离并完成行人再识别功能。本发明设计合理，利用生成式对抗网络生成更多的训练样本，同时生成的图像背景能够有效地表示相对应摄像头下的真实场景，有效提高行人再识别模型的鲁棒性和判决能力，有效提高了行人再识别的准确率。

公开(公告)号：CN108846446A

公开(公告)日：2018-11-20

申请号：CN201810721733.2

申请日：2018-07-04

Applicant: 国家新闻出版广电总局广播科学研究院 ,  北京邮电大学

Inventor： 黄守志 ,  李小雨 ,  饶丰 ,  姜竹青 ,  门爱东

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于多路径密集特征融合全卷积网络的目标检测方法，利用深度卷积神经网络提取具有不同特征信息的分层多尺度特征图；利用自底向上的旁路连接进行自下而上的特征融合；利用自顶向下的密集旁路连接进行自上而下的密集特征融合；构建不同大小和长宽比的目标候选框；利用二分类器减少目标候选框中的简单背景样本，并利用多任务损失函数对二分类器、多类别分类器和边界框回归器进行联合优化。本发明基于深度卷积神经网络提取图像特征，利用多路径密集特征融合方法改善特征表达能力，构建了用于目标检测的全卷积网络，提出了减少冗余简单背景样本和多任务损失联合优化的策略，提高了算法的检测精度，获得了良好的目标检测结果。

公开(公告)号：CN107729993A

公开(公告)日：2018-02-23

申请号：CN201711033085.3

申请日：2017-10-30

Applicant: 国家新闻出版广电总局广播科学研究院 ,  北京邮电大学

Inventor： 郑苏桐 ,  郭晓强 ,  李小雨 ,  王东飞 ,  周芸 ,  姜竹青 ,  门爱东

IPC: G06N3/04

CPC classification number: G06N3/0454

Abstract: 本发明涉及一种利用训练样本及折中度量的3D卷积神经网络构建方法，其技术特点是：构造孪生结构的3D卷积神经网络；设置网络的损失函数，该损失函数由正样本损失、负样本损失及正则化损失构成，并在正则化损失中结合了马氏距离和欧氏距离；使用softmax损失函数，使用视频序列形式的数据集对网络进行预训练；构造正样本对和负样本对，对图像进行预处理和分割；有选择地利用训练样本对网络进行训练。本发明设计合理，其有选择地使用训练样本来提高训练效率并抑制过拟合，同时，在对特征进行度量时对欧氏距离和马氏距离进行权衡，从而构建3D卷积神经网络模型，试验表明本发明构建的模型及训练策略使得系统整体匹配率大大提升。