-
公开(公告)号：CN109165612B
公开(公告)日：2021-07-09
申请号：CN201811007813.8
申请日：2018-08-31
Applicant: 苏州大学
Abstract: 本发明公开了一种基于深度特征和双向KNN排序优化的行人再识别方法，包括三个阶段，特征提取阶段：获得在ImageNet数据集上预训练好的ResNet‑50模型，利用行人再识别数据集对预训练模型进行微调，利用微调后的模型分别对目标图像和候选集图像进行特征提取以获得特征向量；度量学习阶段：对提取的两个特征向量通过度量学习学习出一个度量函数来衡量它们间的相似性，根据它们的距离远近得到初始排名；重排序阶段：根据双向KNN关系和双向KNN集，计算两张图像间的双向KNN距离，将初始距离和双向KNN距离加权求和作为最终的距离，得到优化后的排名。本发明能够更好的表示一个行人，在初始排名的基础上提高行人再识别的精度，减轻人力和机器资源的压力，具有良好的普适性。
-
公开(公告)号：CN109165612A
公开(公告)日：2019-01-08
申请号：CN201811007813.8
申请日：2018-08-31
Applicant: 苏州大学
Abstract: 本发明公开了一种基于深度特征和双向KNN排序优化的行人再识别方法，包括三个阶段，特征提取阶段：获得在ImageNet数据集上预训练好的ResNet-50模型，利用行人再识别数据集对预训练模型进行微调，利用微调后的模型分别对目标图像和候选集图像进行特征提取以获得特征向量；度量学习阶段：对提取的两个特征向量通过度量学习学习出一个度量函数来衡量它们间的相似性，根据它们的距离远近得到初始排名；重排序阶段：根据双向KNN关系和双向KNN集，计算两张图像间的双向KNN距离，将初始距离和双向KNN距离加权求和作为最终的距离，得到优化后的排名。本发明能够更好的表示一个行人，在初始排名的基础上提高行人再识别的精度，减轻人力和机器资源的压力，具有良好的普适性。
-
Search Results
2
records
(took 0.013 seconds)
