-
公开(公告)号：CN111597887A
公开(公告)日：2020-08-28
申请号：CN202010269718.6
申请日：2020-04-08
Applicant: 北京大学
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。
-
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。
-
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。
-
-
Search Results
3
records
(took 0.016 seconds)
