-
公开(公告)号：CN108921107B
公开(公告)日：2021-10-01
申请号：CN201810736588.5
申请日：2018-07-06
Applicant: 北京市新技术应用研究所
Abstract: 一种基于排序损失和Siamese网络的行人再识别方法，利用改进的Siamese网络学习特征，采用排序损失和两个SoftMax识别损失来来监督网络的学习。使用双向最大边界排序损失处理类内和类间相似度,这样学习到的特征具有更强的鲁棒性。利用行人图像的标签信息，采用Siamese网络提取的图像深度特征，区分检测到的行人。实验结果显示，与经典的行人再识别方法对比，所述基于排序损失和Siamese网络的行人再识别方法识别精度更高。
-
公开(公告)号：CN110619268B
公开(公告)日：2022-11-25
申请号：CN201910727543.6
申请日：2019-08-07
Applicant: 北京市新技术应用研究所
Abstract: 一种基于时空分析与深度特征的行人再识别方法及装置，在行人再识别应用中，由于在实际的大规模视频监控场景中对行人图像进行全局搜索存在复杂性和不合理性，并且为了进一步提高识别准确率和识别速度，本发明提出结合时空信息分析和深度特征提取的方法。首先通过分析得到行人的移动速度符合γ分布，再通过该分布来对行人的时空信息作进一步分析，得到行人的时空先验概率；然后在大规模数据集上结合实际采集图像训练卷积神经网络，提取深度特征计算视觉时空概率；最后结合上述两种概率判断两幅图像是否为相同行人。实现了在实际的大规模视频监控应用场景从海量的监控或采集数据中既能有效地提高行人再识别的识别效率，又能保持较高的行人再识别精度，达到了高效准确的行人再识别效果。
-
公开(公告)号：CN110619268A
公开(公告)日：2019-12-27
申请号：CN201910727543.6
申请日：2019-08-07
Applicant: 北京市新技术应用研究所
Abstract: 一种基于时空分析与深度特征的行人再识别方法及装置，在行人再识别应用中，由于在实际的大规模视频监控场景中对行人图像进行全局搜索存在复杂性和不合理性，并且为了进一步提高识别准确率和识别速度，本发明提出结合时空信息分析和深度特征提取的方法。首先通过分析得到行人的移动速度符合γ分布，再通过该分布来对行人的时空信息作进一步分析，得到行人的时空先验概率；然后在大规模数据集上结合实际采集图像训练卷积神经网络，提取深度特征计算视觉时空概率；最后结合上述两种概率判断两幅图像是否为相同行人。实现了在实际的大规模视频监控应用场景从海量的监控或采集数据中既能有效地提高行人再识别的识别效率，又能保持较高的行人再识别精度，达到了高效准确的行人再识别效果。
-
公开(公告)号：CN108921107A
公开(公告)日：2018-11-30
申请号：CN201810736588.5
申请日：2018-07-06
Applicant: 北京市新技术应用研究所
Abstract: 一种基于排序损失和Siamese网络的行人再识别方法，利用改进的Siamese网络学习特征，采用排序损失和两个SoftMax识别损失来来监督网络的学习。使用双向最大边界排序损失处理类内和类间相似度,这样学习到的特征具有更强的鲁棒性。利用行人图像的标签信息，采用Siamese网络提取的图像深度特征，区分检测到的行人。实验结果显示，与经典的行人再识别方法对比，所述基于排序损失和Siamese网络的行人再识别方法识别精度更高。
-
-
-
Search Results
4
records
(took 0.024 seconds)
