公开(公告)号：CN111738143A

公开(公告)日：2020-10-02

申请号：CN202010567949.5

申请日：2020-06-19

Applicant: 重庆邮电大学

Inventor： 周非 ,  陈文峰

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

Abstract: 本发明涉及一种基于期望最大化的行人重识别方法，属于计算机视觉应用领域。首先利用残差卷积神经网络ResNet50作为特征提取的骨干网络对输入行人进行中间特征的提取；构建注意力模块，特征经过模块中Non-Local操作中的协方差运算捕获不同区域间的关联信息，再采用EM算法对特征进行注意力稀疏重构，在对特征中潜在变量进行挖掘的过程中来减小特征的冗余程度，增强有效特征信息的表征能力；采用三元组损失函数、交叉熵损失函数和中心损失函数对网络进行联合训练。本发明能够捕获具有较强辨识度的特征；并能够很好地减少特征的冗余程度，得到具有低秩特征的注意力特征图，进一步提高识别率。

公开(公告)号：CN111738143B

公开(公告)日：2022-04-19

申请号：CN202010567949.5

申请日：2020-06-19

Applicant: 重庆邮电大学

Inventor： 周非 ,  陈文峰

IPC: G06V40/10 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于期望最大化的行人重识别方法，属于计算机视觉应用领域。首先利用残差卷积神经网络ResNet50作为特征提取的骨干网络对输入行人进行中间特征的提取；构建注意力模块，特征经过模块中Non‑Local操作中的协方差运算捕获不同区域间的关联信息，再采用EM算法对特征进行注意力稀疏重构，在对特征中潜在变量进行挖掘的过程中来减小特征的冗余程度，增强有效特征信息的表征能力；采用三元组损失函数、交叉熵损失函数和中心损失函数对网络进行联合训练。本发明能够捕获具有较强辨识度的特征；并能够很好地减少特征的冗余程度，得到具有低秩特征的注意力特征图，进一步提高识别率。