-
公开(公告)号:CN110008842A
公开(公告)日:2019-07-12
申请号:CN201910177443.0
申请日:2019-03-09
Applicant: 同济大学 , 合肥工业大学 , 北京易华录信息技术股份有限公司
Abstract: 本发明涉及一种基于深度多损失融合模型的行人重识别方法,该方法使用深度学习技术,对训练集图片进行翻转、裁剪、随机擦除以及风格迁移等预处理操作,然后经过基本网络模型进行特征提取,在使用多个损失函数进行融合联合训练网络,与基于深度学习的行人重识别算法相比较,本发明因采用多种预处理方式、三种损失函数的融合以及有效的训练策略,大大提高了在数据集上行人重识别的性能,一方面,多种预处理方式可以扩展数据集,提高模型泛化能力,避免过拟合情况的发生,另一方面,三种损失函数各有自己的优缺点,当对其进行有效结合时,使得所使用的模型能够获取更好的识别结果。
-
公开(公告)号:CN112906623A
公开(公告)日:2021-06-04
申请号:CN202110266638.X
申请日:2021-03-11
Applicant: 同济大学
Abstract: 本发明公开了一种基于多尺度深度监督的反向注意力模型,模型包括:输入端、多尺度特征学习模块、注意力机制模块、反向注意力机制模块、深度监督模块、若干个损失函数、若干个平均池化层、若干个线性层和支路;多尺度特征学习模块用于对深度特征进行多尺度学习并进行训练;注意力机制模块用于加强对局部重要特征信息的关注;反向注意力机制模块用于将被注意力机制模块抑制的特征变为强调的特征,对注意力机制进行互补;深度监督模块用于修正注意力机制模块对重要特征关注的准确度。本发明提出了反向注意力机制模块缓解了由注意力机制引起的特征信息丢失问题,模型在测试阶段可丢弃部分模块,提高了测试效率。
-