-
公开(公告)号：CN109993070B
公开(公告)日：2021-06-08
申请号：CN201910186858.4
申请日：2019-03-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于全局距离尺度损失函数的行人再识别方法，具体步骤包括：对行人再识别数据集的训练数据进行数据增强处理；对每一个批量数据进行随机挑选；构建基于人体组件的深度神经网络并对网络进行初始化；使用交叉熵损失函数和基于全局距离尺度的损失函数同时监督深度神经网络的训练；对目标行人图像及行人图像库中的行人图像分别进行特征提取，进行余弦相似度计算并排序得到识别结果。本发明提出了一种基于统计特性的全局距离尺度的损失函数，能够有效避免噪声干扰和降低过拟合的风险，提高模型鲁棒性和泛化能力。
-
公开(公告)号：CN109829414B
公开(公告)日：2020-11-24
申请号：CN201910072934.9
申请日：2019-01-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于标签不确定性和人体组件模型的行人再识别方法，包括：(1)构建基于人体组件的深度神经网络模型；(2)对构建的深度神经网络模型进行初始化，并根据构建的深度神经网络结构训练得到另一个模型；(3)对初始化后的深度神经网络模型进行训练并更新网络中的参数；(4)采用训练好的深度神经网络对目标行人图像及行人图像库中的行人图像分别进行特征提取；(5)对提取得到的特征进行余弦相似度计算并排序，得到识别结果。本发明通过针对局部组件信息不完全准确以及各个局部组件的分类置信度差异较大的问题进行了有效地处理，能有效的提高行人再识别的正确率和/或降低误识率。
-
公开(公告)号：CN109829414A
公开(公告)日：2019-05-31
申请号：CN201910072934.9
申请日：2019-01-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于标签不确定性和人体组件模型的行人再识别方法，包括：(1)构建基于人体组件的深度神经网络模型；(2)对构建的深度神经网络模型进行初始化，并根据构建的深度神经网络结构训练得到另一个模型；(3)对初始化后的深度神经网络模型进行训练并更新网络中的参数；(4)采用训练好的深度神经网络对目标行人图像及行人图像库中的行人图像分别进行特征提取；(5)对提取得到的特征进行余弦相似度计算并排序，得到识别结果。本发明通过针对局部组件信息不完全准确以及各个局部组件的分类置信度差异较大的问题进行了有效地处理，能有效的提高行人再识别的正确率和/或降低误识率。
-
公开(公告)号：CN109993070A
公开(公告)日：2019-07-09
申请号：CN201910186858.4
申请日：2019-03-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于全局距离尺度损失函数的行人再识别方法，具体步骤包括：对行人再识别数据集的训练数据进行数据增强处理；对每一个批量数据进行随机挑选；构建基于人体组件的深度神经网络并对网络进行初始化；使用交叉熵损失函数和基于全局距离尺度的损失函数同时监督深度神经网络的训练；对目标行人图像及行人图像库中的行人图像分别进行特征提取，进行余弦相似度计算并排序得到识别结果。本发明提出了一种基于统计特性的全局距离尺度的损失函数，能够有效避免噪声干扰和降低过拟合的风险，提高模型鲁棒性和泛化能力。
-
-
-
Search Results
4
records
(took 0.019 seconds)
