-
公开(公告)号：CN113269070B
公开(公告)日：2023-04-07
申请号：CN202110539959.2
申请日：2021-05-18
Applicant: 重庆邮电大学
IPC: G06V40/10 , G06V10/42 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种融合全局和局部特征的行人重识别方法、模型训练方法、可读存储介质及处理器，属于计算机视觉领域，包括以下步骤：S1：输入待识别的图像，将其预处理得到标准输入图像；S2：通过卷积神经网络来分别提取输入图像的全局特征和局部特征；S3：将全局特征和局部特征分别输入批量归一化层与1×1卷积层对特征进行降维；S4：将全局特征和局部特征进行融合，得到融合后的行人特征；S5：计算融合特征与图像库中各图像对应特征的距离，用于表示图像间的相似度；将图像库中的图像按照与输入图像的相似度排序，将排序结果作为行人重识别模型的输出。
-
公开(公告)号：CN112800967B
公开(公告)日：2022-05-17
申请号：CN202110123640.1
申请日：2021-01-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种姿态驱动的遮挡行人重识别方法，属于计算机领域。本发明包括：输入待识别图像，经过预处理后调整为标准输入图像；利用行人重识别网络提取输入图像特征，得到全局特征；利用人体姿态估计网络提取输入图像特征，得到人体姿态特征；基于人体姿态特征，分别利用局部可见度预测器模块获取可见度评分，利用局部注意力生成器模块获取注意力掩膜；最后根据可见度评分选取输入图像可见部分的局部特征和图像库中的对应特征计算欧氏距离并按照升序排序，将排序结果作为行人重识别模型的输出。本发明帮助行人重识别网络定位遮挡区域，降低了相同身份的受遮挡行人与完整行人的特征差异，提高了行人重识别模型的泛化能力。
-
公开(公告)号：CN113269070A
公开(公告)日：2021-08-17
申请号：CN202110539959.2
申请日：2021-05-18
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种融合全局和局部特征的行人重识别方法、模型训练方法、可读存储介质及处理器，属于计算机视觉领域，包括以下步骤：S1：输入待识别的图像，将其预处理得到标准输入图像；S2：通过卷积神经网络来分别提取输入图像的全局特征和局部特征；S3：将全局特征和局部特征分别输入批量归一化层与1×1卷积层对特征进行降维；S4：将全局特征和局部特征进行融合，得到融合后的行人特征；S5：计算融合特征与图像库中各图像对应特征的距离，用于表示图像间的相似度；将图像库中的图像按照与输入图像的相似度排序，将排序结果作为行人重识别模型的输出。
-
公开(公告)号：CN112800967A
公开(公告)日：2021-05-14
申请号：CN202110123640.1
申请日：2021-01-29
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种姿态驱动的遮挡行人重识别方法，属于计算机领域。本发明包括：输入待识别图像，经过预处理后调整为标准输入图像；利用行人重识别网络提取输入图像特征，得到全局特征；利用人体姿态估计网络提取输入图像特征，得到人体姿态特征；基于人体姿态特征，分别利用局部可见度预测器模块获取可见度评分，利用局部注意力生成器模块获取注意力掩膜；最后根据可见度评分选取输入图像可见部分的局部特征和图像库中的对应特征计算欧氏距离并按照升序排序，将排序结果作为行人重识别模型的输出。本发明帮助行人重识别网络定位遮挡区域，降低了相同身份的受遮挡行人与完整行人的特征差异，提高了行人重识别模型的泛化能力。
-
-
-
Search Results
4
records
(took 0.024 seconds)
