-
公开(公告)号：CN113936302A
公开(公告)日：2022-01-14
申请号：CN202111295755.5
申请日：2021-11-03
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/10 , G06V10/774 , G06V10/764 , G06V10/762 , G06K9/62
Abstract: 本发明公开一种行人重识别模型的训练方法、装置、计算设备及存储介质，该方法包括：获取第一行人重识别训练数据集所述第一行人重识别训练数据集输入预设的行人重识别模型进行处理，并基于处理结果得到第一损失函数所述第一行人重识别训练数据集进行处理得到第二行人重识别训练数据集所述第二行人重识别训练数据集输入远程监督网络进行处理，并根据处理结果得到第二损失函数；所述第一损失函数和第二损失函数所述预设的行人重识别模型，得到目标行人重识别模型。根据本发明实施例通过增加监督网络提供监督信息来实现不增加识别网络复杂度的前提下，扩充训练样本数量的同时也有效提升了行人重识别网络的识别性能。
-
公开(公告)号：CN111783570A
公开(公告)日：2020-10-16
申请号：CN202010551610.6
申请日：2020-06-16
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种目标重识别的方法、装置、系统及计算机存储介质，所述方法包括：获取目标图像和待识别图像序列；将所述待识别图像序列和所述目标图像输入训练好的输入目标重识别模型，得到目标重识别结果；其中，所述目标重识别结果包括所述待识别图像序列中与所述目标图像属于同一目标的待识别图像，所述目标重识别模型包括多个阶段网络，至少一个所述阶段网络包括第一残差模块，所述第一残差模块包括自适应规范化层，所述自适应规范化层包括实例正则化层和批规范化层，所述实例正则化层和所述批规范化层的通道数之和为所述自适应规范化层的通道数。根据本发明的方法、装置、系统及计算机存储介质，通过对目标重识别网络中规范化层的改进，有效提升了目标重识别的识别性能及其域自适应学习能力。
-
公开(公告)号：CN110543560A
公开(公告)日：2019-12-06
申请号：CN201910731678.X
申请日：2019-08-08
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种基于多粒度卷积神经网络的长文本分类识别方法、装置及存储介质，该方法包括：将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络，基于所述映射表将待分类识别的长文本转换为数字序列使用训练后的多粒度卷积神经网络进行分类识别得到分类识别结果。本发明将汉字文本转换为数字序列进行处理，提高了处理速度，且本发明的多粒度卷积神经网络结构，具有提取全局特征和局部特征的分支，由于采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率。
-
公开(公告)号：CN110209857A
公开(公告)日：2019-09-06
申请号：CN201910436423.0
申请日：2019-05-23
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种基于神经网络结构搜索的车辆多属性识别方法、装置及存储介质，该方法先基于难以识别的车辆属性选择基准神经网络模型，然后在该基准神经网络模型的基础上，选择前半个网络(包含N/2个单元)作为整个车辆多属性识别网络模型的低层特征提取器，然后，其末端作为分支点，为其他的属性构建识别分支，且采用类似二分法的方法确定网络的结构，通过上述结合神经网络结构搜索技术构建的多分支的车辆多属性识别网络，可以一次识别车辆的多个属性，如型号、颜色等等，提高了识别效率。本发明提出了的两种网络更正机制可以使得生成的多分支的车辆多属性识别网络性能更佳，且在网络构建时效率更高。
-
-
-
Search Results
24
records
(took 0.029 seconds)
