-
公开(公告)号：CN108171247B
公开(公告)日：2020-10-27
申请号：CN201711395760.7
申请日：2017-12-21
Applicant: 北京大学
Abstract: 本发明提供了一种车辆再识别方法及系统，基于车辆部件特征与集合距离度量学习，包括如下步骤：提取车辆的全局特征及局部特征，并基于局部特征的质量确定每个局部特征所占权重；通过集合距离度量学习，完成车辆再识别过程。本发明使用集合距离度量学习加速特征学习的过程。集合距离度量学习首先将同一辆车的不同图片视为一个集合，通过减小每个集合内部的图片距离，同时增大不同集合之间的距离优化特征学习过程。本发明有效降低了训练的计算复杂度，同时可获得更具有判别力的特征，能够更为准确的进行车辆再识别。
-
公开(公告)号：CN107977656A
公开(公告)日：2018-05-01
申请号：CN201711435514.X
申请日：2017-12-26
Applicant: 北京大学
Abstract: 本发明提供了一种行人重识别方法及系统，基于行人姿态归一化与时间金字塔池化，包括如下步骤：接收视频图像序列，通过空间二维仿射变换完成所述视频图像序列的空间对齐；提取经过二维仿射变换后所述视频图像序列内多个帧的全局特征；使用时间金字塔池化算法，融合所述视频图像序列中多个帧的全局特征，以获得等长的序列级别的图像特征。与传统方法相比，在多个基于视频的行人再识别数据集上，本发明的识别准确率超过了多个最新的方法，且具有更低的算法复杂度。
-
Patent Agency Ranking
公开(公告)号：CN108171247A
公开(公告)日：2018-06-15
申请号：CN201711395760.7
申请日：2017-12-21
Applicant: 北京大学
Abstract: 本发明提供了一种车辆再识别方法及系统，基于车辆部件特征与集合距离度量学习，包括如下步骤：提取车辆的全局特征及局部特征，并基于局部特征的质量确定每个局部特征所占权重；通过集合距离度量学习，完成车辆再识别过程。本发明使用集合距离度量学习加速特征学习的过程。集合距离度量学习首先将同一辆车的不同图片视为一个集合，通过减小每个集合内部的图片距离，同时增大不同集合之间的距离优化特征学习过程。本发明有效降低了训练的计算复杂度，同时可获得更具有判别力的特征，能够更为准确的进行车辆再识别。
-
公开(公告)号：CN107766791A
公开(公告)日：2018-03-06
申请号：CN201710794402.7
申请日：2017-09-06
Applicant: 北京大学
CPC classification number: G06K9/00369 , G06F16/583 , G06K9/6215 , G06K9/629
Abstract: 本发明公开了一种基于全局特征和粗粒度局部特征的行人再识别方法及装置，属于图像处理和身份识别领域。所述方法包括：检测查询图像中的行人图像作为全局图像，检测行人的人体关键点并划分行人的人体得到局部部件区域；提取全局图像的全局特征描述及局部部件区域的局部特征描述，并将其融合得到全局-局部特征描述；对行人数据库中的各图像进行关联分析和组合索引后，根据全局-局部特征描述对其进行由粗粒度到细粒度的行人检索，并确定查询图像中行人的身份。本发明中，通过对图像中的人体进行粗粒度划分，具有更好的鲁棒性，同时将全局特征和区域局部特征进行融合，在保证较低的计算复杂度的前提下，实现了行人图像的准确匹配和行人身份识别。
-
公开(公告)号：CN107729805B
公开(公告)日：2019-09-13
申请号：CN201710780179.0
申请日：2017-09-01
Applicant: 北京大学
Abstract: 本发明公开了用于行人再识别的神经网络和基于深度学习的行人再识别算法。该神经网络包括：使用行人的原始全身图像作为第一输入并输出第一识别特征的第一神经网络；使用从行人的原始全身图像提取的人体部位图像的仿射变换图像作为第二输入并输出第二识别特征的第二神经网络，其中，人体部位至少包括头部、躯干和四肢，第一识别特征和第二识别特征组合为总识别特征。具有更加鲁棒的行人特征匹配能力，从而能够提高正确识别率和/或降低误识率。
-
公开(公告)号：CN108256439A
公开(公告)日：2018-07-06
申请号：CN201711435515.4
申请日：2017-12-26
Applicant: 北京大学
Abstract: 本发明提供了一种基于循环生成式对抗网络的行人图像生成方法及系统，包括如下步骤：迁移函数学习，生成人物迁移生成式对抗网络；基于所述人物迁移生成式对抗网络，完成所述行人图像中的人物迁移，将一个数据库中的行人图像迁移到另一个数据库中，生成新的行人图像。所述迁移函数包括风格损失和身份损失。与传统方法相比，本发明在众多行人再识别公共数据集上取得了很好的迁移效果，可以在无需额外数据标注的前提下，在目标应用场景中训练鲁棒的行人再识别模型，并获得较高的准确性。
-
公开(公告)号：CN107729805A
公开(公告)日：2018-02-23
申请号：CN201710780179.0
申请日：2017-09-01
Applicant: 北京大学
Abstract: 本发明公开了用于行人再识别的神经网络和基于深度学习的行人再识别算法。该神经网络包括：使用行人的原始全身图像作为第一输入并输出第一识别特征的第一神经网络；使用从行人的原始全身图像提取的人体部位图像的仿射变换图像作为第二输入并输出第二识别特征的第二神经网络，其中，人体部位至少包括头部、躯干和四肢，第一识别特征和第二识别特征组合为总识别特征。具有更加鲁棒的行人特征匹配能力，从而能够提高正确识别率和/或降低误识率。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
