公开(公告)号：CN111797700A

公开(公告)日：2020-10-20

申请号：CN202010523812.X

申请日：2020-06-10

Applicant: 南昌大学

Inventor： 闵卫东 ,  汪琦 ,  黄铁梅 ,  刘慧婷 ,  赵浩宇

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于细粒度判别网络与二阶重排序的车辆重识别方法，所述方法主要由两个部分组成：细粒度判别网络和二阶段重排序算法；所述细粒度判别网络的整个网络架构采用多元损失来监督，由两部分组成：孪生网络和细粒度网络；所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征，并将其分为两个阶段。在本发明中，细粒度判别网络可用于提取更多细微特征并改进重排序方法。首先，将孪生网络和细粒度网络结合以提取融合特征。提取的特征具有更强的判别细微差异的能力。应用二阶段重排序算法来获得样本均值特征，然后将其添加到最终距离度量中，使得匹配列表中的前k个候选样本所包含的正样本数量增加了。

公开(公告)号：CN115661867A

公开(公告)日：2023-01-31

申请号：CN202211395116.0

申请日：2022-11-08

Applicant: 南昌大学

Inventor： 韩清 ,  闵卫东 ,  汪琦 ,  李龙飞 ,  黄铁梅

IPC: G06V40/10 ,  G06V10/80 ,  G06V10/42 ,  G06V10/44 ,  G06V10/26 ,  G06V20/70 ,  G06V10/74 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明提供了一种基于三维骨架信息和优化区域匹配的双流行人重识别方法，包括以下步骤：步骤1，使用三维骨架进行局部区域优化分割，提取局部特征；步骤2，使用孪生网络提取全局特征，充分利用标签信息；步骤3，将局部特征与全局特征进行融合，以保持人的完整性；步骤4，设计了一种用于度量学习的优化区域匹配方法。本发明提出了一种三维骨架和双流方法来实现人物Re‑ID。该方法的第一个流使用三维骨架进行背景过滤和区域分割。第二个流使用孪生网络提取全局描述符。这两条流的特征融合在一起，以保持人的完整性。设计了一种用于度量学习的优化区域匹配方法。实验结果表明，该方法在识别精度上优于现有方法。

公开(公告)号：CN111797700B

公开(公告)日：2022-12-06

申请号：CN202010523812.X

申请日：2020-06-10

Applicant: 南昌大学

Inventor： 闵卫东 ,  汪琦 ,  黄铁梅 ,  刘慧婷 ,  赵浩宇

IPC: G06V10/75 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于细粒度判别网络与二阶重排序的车辆重识别方法，所述方法主要由两个部分组成：细粒度判别网络和二阶段重排序算法；所述细粒度判别网络的整个网络架构采用多元损失来监督，由两部分组成：孪生网络和细粒度网络；所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征，并将其分为两个阶段。在本发明中，细粒度判别网络可用于提取更多细微特征并改进重排序方法。首先，将孪生网络和细粒度网络结合以提取融合特征。提取的特征具有更强的判别细微差异的能力。应用二阶段重排序算法来获得样本均值特征，然后将其添加到最终距离度量中，使得匹配列表中的前k个候选样本所包含的正样本数量增加了。