-
公开(公告)号：CN111368815A
公开(公告)日：2020-07-03
申请号：CN202010467045.5
申请日：2020-05-28
Applicant: 之江实验室
Abstract: 本发明提供了一种基于多部件自注意力机制的行人重识别方法，该方法首先预训练深度卷积神经网络骨干模型；然后对骨干模型进行分支后构建多部件自注意力网络，获得多部件自注意力特征；接着将多部件自注意力特征输入分类器，联合训练最小化交叉熵损失和度量损失；最后将测试集图片输入训练好的模型，融合输出的部件特征获得整体特征，经度量排序实现行人重识别。本发明通过充分考虑行人重识别问题中存在的各种挑战，提出了多部件自注意力机制，有效地扩展了注意力激活区域，丰富了行人特征；自注意力模块使网络更充分细致地关注具有判别特性的区域就，其中空间注意力模块和通道注意力模块以残差的形式融入网络，使得网络更加健壮稳定，容易训练。
-
公开(公告)号：CN112633071B
公开(公告)日：2022-09-16
申请号：CN202011369468.X
申请日：2020-11-30
IPC: G06V40/10 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于智能识别技术领域，涉及基于数据风格解耦内容迁移的行人重识别数据域适应方法，包括：步骤一，构建用于训练的数据风格解耦网络；步骤二，利用源域和目标域数据进行内容迁移；步骤三，利用源域和目标域数据，合成样本特征以及对应的标签对内容特征提取器CE进行训练；步骤四，训练完成后，仅保留内容特征提取器CE作为测试用特征提取网络。本发明利用风格迁移模型实现了对不同数据域图片的风格解耦，获得具有数据域不变性的共享内容特征空间，并在共享内容特征空间内进行内容迁移，深入挖掘了源域与目标域数据之间的差异进行迁移适应，在测试应用中仅保留内容特征提取器，网络规模小，模型复杂度低，易于在实际应用场景部署。
-
Patent Agency Ranking
公开(公告)号：CN112069929B
公开(公告)日：2024-01-05
申请号：CN202010842782.9
申请日：2020-08-20
Applicant: 之江实验室
Abstract: 本发明公开了一种无监督行人重识别方法、装置、电子设备及存储介质，该方法包括：在带标签的源域数据集中预训练行人重识别模型；利用所述模型提取无标签目标域中训练集的训练特征；根据所述训练特征，基于自适应聚类的方法将目标域训练集分为若干簇，并分配对应的伪标签；将每个簇设定为一个原型，在原型中挑选出与原型中心的距离小于设定阈值的样本，并利用所述样本的训练特征和伪标签对所述模型进行再训练，得到更新参数后的行人重识别模型；将目标域的查询集和待选集输入到所述模型中，分别得到二者的测试特征，根据测试特征的相似度从待选集中选出符合查询图片要求的图片。本发明有效缓解了域间隔问题，提高了跨域行人重识别的准确度。
-
公开(公告)号：CN113221899A
公开(公告)日：2021-08-06
申请号：CN202110437589.1
申请日：2021-04-22
Abstract: 本发明公开了一种基于学习原型图的快速视频目标分割系统及方法，属于计算机视觉、机器学习等技术领域。该系统包括：特征提取网络、RPN网络、原型图模块，所述特征提取网络分别与RPN网络和原型图模块连接，所述原型图模块包括依次连接的全卷积模块、Refine Module模块和原型模块。本发明的系统和方法考虑到系数可以随着目标变化而动态变化，相对于其他方法，通过直接训练网络预测目标的掩码，将原型图和系数结合，对各类场景下的视频目标分割都能更灵活的处理，更具鲁棒性。
-
公开(公告)号：CN112633071A
公开(公告)日：2021-04-09
申请号：CN202011369468.X
申请日：2020-11-30
Abstract: 本发明属于智能识别技术领域，涉及基于数据风格解耦内容迁移的行人重识别数据域适应方法，包括：步骤一，构建用于训练的数据风格解耦网络；步骤二，利用源域和目标域数据进行内容迁移；步骤三，利用源域和目标域数据，合成样本特征以及对应的标签对内容特征提取器CE进行训练；步骤四，训练完成后，仅保留内容特征提取器CE作为测试用特征提取网络。本发明利用风格迁移模型实现了对不同数据域图片的风格解耦，获得具有数据域不变性的共享内容特征空间，并在共享内容特征空间内进行内容迁移，深入挖掘了源域与目标域数据之间的差异进行迁移适应，在测试应用中仅保留内容特征提取器，网络规模小，模型复杂度低，易于在实际应用场景部署。
-
公开(公告)号：CN112069929A
公开(公告)日：2020-12-11
申请号：CN202010842782.9
申请日：2020-08-20
Applicant: 之江实验室
Abstract: 本发明公开了一种无监督行人重识别方法、装置、电子设备及存储介质，该方法包括：在带标签的源域数据集中预训练行人重识别模型；利用所述模型提取无标签目标域中训练集的训练特征；根据所述训练特征，基于自适应聚类的方法将目标域训练集分为若干簇，并分配对应的伪标签；将每个簇设定为一个原型，在原型中挑选出与原型中心的距离小于设定阈值的样本，并利用所述样本的训练特征和伪标签对所述模型进行再训练，得到更新参数后的行人重识别模型；将目标域的查询集和待选集输入到所述模型中，分别得到二者的测试特征，根据测试特征的相似度从待选集中选出符合查询图片要求的图片。本发明有效缓解了域间隔问题，提高了跨域行人重识别的准确度。
-
公开(公告)号：CN111368815B
公开(公告)日：2020-09-04
申请号：CN202010467045.5
申请日：2020-05-28
Applicant: 之江实验室
Abstract: 本发明提供了一种基于多部件自注意力机制的行人重识别方法，该方法首先预训练深度卷积神经网络骨干模型；然后对骨干模型进行分支后构建多部件自注意力网络，获得多部件自注意力特征；接着将多部件自注意力特征输入分类器，联合训练最小化交叉熵损失和度量损失；最后将测试集图片输入训练好的模型，融合输出的部件特征获得整体特征，经度量排序实现行人重识别。本发明通过充分考虑行人重识别问题中存在的各种挑战，提出了多部件自注意力机制，有效地扩展了注意力激活区域，丰富了行人特征；自注意力模块使网络更充分细致地关注具有判别特性的区域就，其中空间注意力模块和通道注意力模块以残差的形式融入网络，使得网络更加健壮稳定，容易训练。
-
-
-
-
-
-
Search Results
7
records
(took 0.013 seconds)
