-
公开(公告)号：CN113408351B
公开(公告)日：2022-11-29
申请号：CN202110541015.9
申请日：2021-05-18
Applicant: 河南大学
Abstract: 本发明公开了一种基于姿态引导生成对抗网络的行人重识别方法，S1：利用ResNet‑50构建行人重识别模型的主干网络，用于提取行人特征；S2：构建多尺度特征提取模块，用于融合不同尺度的行人特征；S3：构建姿态转移模块，用于融合行人的姿态和外观特征；S4：构建基于姿态引导的生成对抗网络，用于生成不同姿态下的行人样本图像；S5：设计联合训练策略，充分挖掘行人外观信息，克服姿态变化产生的影响，并提升生成样本图像的质量。生成对抗网络生成不同姿态下的行人样本图像，对训练样本进行了有效地扩充，同时采用共享网络参数的和生成样本在线训练的联合训练策略，可以有效提升行人重识别网络的表征能力，提升行人重识别模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN114782977B
公开(公告)日：2024-07-05
申请号：CN202110469260.3
申请日：2021-04-28
Applicant: 河南大学
IPC: G06V40/10 , G06V10/764 , G06V10/88 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种基于拓扑信息和亲和度信息引导行人重识别方法，步骤1：利用ResNet‑50构建行人重识别模型的主干网络，用于提取行人特征；步骤2：自学习图卷积网络的构建，其用于空间拓扑信息的挖掘；步骤3：空间注意力子模块的构建，指导空间注意力的学习；步骤4：通道注意力子模块的构建，指导通道注意力的学习；步骤5：对基于拓扑信息和亲和度信息引导的全局注意力模块组合方式设计与实现；步骤6：对基于拓扑信息和亲和度信息引导的全局注意力模块进行嵌入方式设计。通道注意力融合了通道亲和度信息和通道语义信息来指导通道注意力的学习。以此来提升行人特征的表征能力，提升行人重识别模型的性能。
-
公开(公告)号：CN113408351A
公开(公告)日：2021-09-17
申请号：CN202110541015.9
申请日：2021-05-18
Applicant: 河南大学
Abstract: 本发明公开了一种基于姿态引导生成对抗网络的行人重识别方法，S1：利用ResNet‑50构建行人重识别模型的主干网络，用于提取行人特征；S2：构建多尺度特征提取模块，用于融合不同尺度的行人特征；S3：构建姿态转移模块，用于融合行人的姿态和外观特征；S4：构建基于姿态引导的生成对抗网络，用于生成不同姿态下的行人样本图像；S5：设计联合训练策略，充分挖掘行人外观信息，克服姿态变化产生的影响，并提升生成样本图像的质量。生成对抗网络生成不同姿态下的行人样本图像，对训练样本进行了有效地扩充，同时采用共享网络参数的和生成样本在线训练的联合训练策略，可以有效提升行人重识别网络的表征能力，提升行人重识别模型的性能。
-
公开(公告)号：CN114241517A
公开(公告)日：2022-03-25
申请号：CN202111459943.7
申请日：2021-12-02
Applicant: 河南大学
Abstract: 本发明公开了基于图像生成和共享学习网络的跨模态行人重识别方法，步骤1：跨模态图像生成网络的构建，通过交换外观特征生成跨模态行人图像以实现模态级别对齐；步骤2：跨模态图像生成网络损失函数的设计；步骤3：双路径共享学习网络的构建，将跨模态图像生成网络生成的红外伪图像与真实红外图像组合成一对输入图像，在线输入到双路径共享学习网络进行训练,提取具有区分性的中层特征信息，实现特征级别对齐；步骤4：共享学习损失函数的设计。步骤5：损失函数的联合优化，将跨模态图像生成网络和双路径共享学习网络进行联合训练，以端到端的方式优化总目标。本发明使网络提取到更加具有区分性的行人特征，提升了跨模态行人重识别的性能。
-
公开(公告)号：CN114241517B
公开(公告)日：2024-02-27
申请号：CN202111459943.7
申请日：2021-12-02
Applicant: 河南大学
Abstract: 本发明公开了基于图像生成和共享学习网络的跨模态行人重识别方法，步骤1：跨模态图像生成网络的构建，通过交换外观特征生成跨模态行人图像以实现模态级别对齐；步骤2：跨模态图像生成网络损失函数的设计；步骤3：双路径共享学习网络的构建，将跨模态图像生成网络生成的红外伪图像与真实红外图像组合成一对输入图像，在线输入到双路径共享学习网络进行训练,提取具有区分性的中层特征信息，实现特征级别对齐；步骤4：共享学习损失函数的设计。步骤5：损失函数的联合优化，将跨模态图像生成网络和双路径共享学习网络进行联合训练，以端到端的方式优化总目标。本发明使网络提取到更加具有区分性的行人特征，提升了跨模态行人重识别的性能。
-
公开(公告)号：CN114782977A
公开(公告)日：2022-07-22
申请号：CN202110469260.3
申请日：2021-04-28
Applicant: 河南大学
Abstract: 本发明公开了一种基于拓扑信息和亲和度信息引导行人重识别方法，步骤1：利用ResNet‑50构建行人重识别模型的主干网络，用于提取行人特征；步骤2：自学习图卷积网络的构建，其用于空间拓扑信息的挖掘；步骤3：空间注意力子模块的构建，指导空间注意力的学习；步骤4：通道注意力子模块的构建，指导通道注意力的学习；步骤5：对基于拓扑信息和亲和度信息引导的全局注意力模块组合方式设计与实现；步骤6：对基于拓扑信息和亲和度信息引导的全局注意力模块进行嵌入方式设计。通道注意力融合了通道亲和度信息和通道语义信息来指导通道注意力的学习。以此来提升行人特征的表征能力，提升行人重识别模型的性能。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
