-
公开(公告)号：CN111428675A
公开(公告)日：2020-07-17
申请号：CN202010252780.4
申请日：2020-04-02
Applicant: 南开大学
Abstract: 本发明公开一种融入行人体态姿态特征的行人重识别方法，包括以下步骤：预处理行人重识别数据集，划分为训练集和验证集；利用公开数据集训练行人骨架检测模型；再提取出行人姿态高维矩阵特征；然后融入行人检索模型中进行训练；前向传播，获取到特征提取层提取出来的特征向量；前向计算损失；对数据集中的每一个样本，计算其梯度信息；损失层的梯度反向传播，更新行人检索模型特征处理模块中的权值参数；如果模型仍未收敛，或者是未达到最大迭代次数，重复上述步骤；网络训练结束之后，在测试集上完成查询集合内的行人检索任务。本发明提出引导模型学习筛选行人体态姿态特征，姿态信息的融入提高了行人检索模型对于相同行人的检索能力。
-
公开(公告)号：CN111428674A
公开(公告)日：2020-07-17
申请号：CN202010252779.1
申请日：2020-04-02
Applicant: 南开大学
Abstract: 本发明公开一种保持多度量空间一致性的多损失联合训练方法，包括以下步骤：行人样本通过卷积神经网络前向传播获得高维度特征矩阵；再转化为行人特征向量；特征向量进行L2正则操作；单位特征向量拼接组成三元组，计算三元损失；单位特征向量，通过Bach Normalization层得到测试向量；再输入到网络模型之后的全连接层并前向计算交叉熵损失；计算其梯度信息；损失层的梯度反向传播，更新权值参数；如果模型仍未收敛，或者是未达到最大迭代次数，重复上述步骤。在未增加参数量的情况下，在各个行人重识别模型上采用本发明方法能够有明显的效果提升。
-
公开(公告)号：CN111428674B
公开(公告)日：2022-06-24
申请号：CN202010252779.1
申请日：2020-04-02
Applicant: 南开大学
Abstract: 本发明公开一种保持多度量空间一致性的多损失联合训练方法，包括以下步骤：行人样本通过卷积神经网络前向传播获得高维度特征矩阵；再转化为行人特征向量；特征向量进行L2正则操作；单位特征向量拼接组成三元组，计算三元损失；单位特征向量，通过Bach Normalization层得到测试向量；再输入到网络模型之后的全连接层并前向计算交叉熵损失；计算其梯度信息；损失层的梯度反向传播，更新权值参数；如果模型仍未收敛，或者是未达到最大迭代次数，重复上述步骤。在未增加参数量的情况下，在各个行人重识别模型上采用本发明方法能够有明显的效果提升。
-
-
Search Results
3
records
(took 0.02 seconds)
