公开(公告)号：CN115661769A

公开(公告)日：2023-01-31

申请号：CN202211391572.8

申请日：2022-11-08

Applicant: 南昌大学

Inventor： 闵卫东 ,  展国伟 ,  汪琦 ,  赵浩宇

IPC: G06V20/54 ,  G06V10/74 ,  G06V10/82 ,  G06V10/762 ,  G06V10/764 ,  G06V10/422 ,  G06V10/54 ,  G06V10/56

Abstract: 本发明提供了一种基于特征相似度度量和深度学习的车辆再识别方法，包括两个阶段：第一个阶段是基于半监督的跨域联合预训练，第二阶段则是预训练模型在目标域上的微调。本发明提出了一种新的特征相似性度量方法——重叠特征重排序(OFR)，并设计了一种新的无监督车辆再识别框架。该框架采用一种有效的半监督域训练方式，称为半监督跨域联合学习(JCLS)。OFR将提取的特征进行交叉划分得到特征分区，并将所有特征分区的测量结果相加，作为进行更准确的聚类的基础。在JCLS中，摒弃了以往的单域训练，而是引入目标域风格的样本，共同训练Re‑ID模型。这种方法可以提取出更加具有代表性的特征参与相似性度量，提高识别率。

公开(公告)号：CN118172715A

公开(公告)日：2024-06-11

申请号：CN202410368267.X

申请日：2024-03-28

Applicant: 南昌大学

Inventor： 闵卫东 ,  李龙飞 ,  展国伟 ,  韩清

IPC: G06V20/50 ,  G06V10/30 ,  G06V10/36 ,  G06V10/44 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0495

Abstract: 本发明涉及车辆重识别领域，尤其涉及一种基于图像增强和模型轻量化的车辆重识别方法，包括如下步骤：S1，双频域的图像增强方法对昏暗场景下的样本进行图像增强处理；S2，修改后的ResNet50作为骨干网络以提取深层的语义信息；S3，多分支对称结构以准确地提取车辆的整体轮廓和局部细节，并且在分支网络中通过通道简化来减少特征的通道数量以减少网络的参数负担。本发明通过双频域的图像增强方法改善照度不足，轮廓模糊的车辆图片，缓解图像中存在的照度低或者对比度不足等问题；为了增加网络的实用性，设计了一个轻量化的多分支结构，通过削减分支中的特征通道以及使用小尺寸的卷积核降低网络负载，保证算法的性能。