-
公开(公告)号：CN112381017B
公开(公告)日：2022-04-22
申请号：CN202011302398.6
申请日：2020-11-19
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于感知级联上下文的车辆重识别方法，包括以下步骤：构造车辆图像的特征提取模型，基础网络使用预训练的ResNet‑50分类网络；将基于感知级联上下文的注意力增强模块嵌入到特征提取模型中；输入车辆图像数据集，对构建好的特征提取模型进行训练；采用已训练的特征提取模型进行车辆重识别任务。本发明通过在车辆图像的特征提取模型中嵌入基于感知级联上下文的注意力增强模块，能够提取出车辆图像中更丰富、更具区分度的特征信息，从而提高了重识别任务的准确率；并且仅仅需要车辆ID一项标签信息作为监督信号进行模型训练，不依赖于任何细粒度的标签信息(如车牌、车型、颜色等)。
-
公开(公告)号：CN112507901B
公开(公告)日：2022-05-24
申请号：CN202011472231.4
申请日：2020-12-14
Applicant: 华南理工大学
IPC: G06V40/10 , G06V10/30 , G06V10/774 , G06V10/26 , G06V10/764 , G06V10/762 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于伪标签自纠正的无监督行人重识别方法，该方法包括：构建源域数据集、目标域数据集和目标域测试集，构建算法模型M，使用源域数据集对算法模型M进行预训练，使用算法模型M对目标域数据集提取第一目标特征，融合第一目标特征得到第二目标特征，使用第二目标特征进行聚类得到伪标签，对伪标签的质量进行评估并对质量差的聚簇进行纠正，将得到的结果作为伪标签重复训练算法模型M，使用算法模型M对目标域测试集提取第二目标特征并进行图像匹配，得到行人重识别结果。
-
公开(公告)号：CN112381017A
公开(公告)日：2021-02-19
申请号：CN202011302398.6
申请日：2020-11-19
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于感知级联上下文的车辆重识别方法，包括以下步骤：构造车辆图像的特征提取模型，基础网络使用预训练的ResNet‑50分类网络；将基于感知级联上下文的注意力增强模块嵌入到特征提取模型中；输入车辆图像数据集，对构建好的特征提取模型进行训练；采用已训练的特征提取模型进行车辆重识别任务。本发明通过在车辆图像的特征提取模型中嵌入基于感知级联上下文的注意力增强模块，能够提取出车辆图像中更丰富、更具区分度的特征信息，从而提高了重识别任务的准确率；并且仅仅需要车辆ID一项标签信息作为监督信号进行模型训练，不依赖于任何细粒度的标签信息(如车牌、车型、颜色等)。
-
公开(公告)号：CN112381024B
公开(公告)日：2023-06-23
申请号：CN202011313048.X
申请日：2020-11-20
Applicant: 华南理工大学
IPC: G06V20/52 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合多模态的无监督行人再识别重排方法，该方法包括以下步骤：收集行人在行走过程中的多模态信息；利用卷积神经网络模型抽取行人特征，计算视觉相似度；利用图像时空信息，构建图像时空分布；利用WiFi信息，构建WiFi时空分布；融合视觉相似度，图像时空分布和WiFi时空分布，对行人重识别的排序结果进行重排。本发明方法综合了多模态信息进行二次重排，是一种降低搜索空间的有效措施，有效克服了传统的基于视觉特征的行人重识别方法对监控环境敏感的缺陷。
-
Patent Agency Ranking
公开(公告)号：CN112528756A
公开(公告)日：2021-03-19
申请号：CN202011316377.X
申请日：2020-11-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于异构图的无监督行人重识别方法，包括以下步骤：获取行人图像并划分行人图像为训练集行人图像和测试集行人图像；对训练集行人图像构建一个摄像头相关的异构图；执行基于异构图的异构相似度传播，进而高效地从异构图中挖掘出顶点与顶点之间的空间相似性；利用异构相似度学习对卷积神经网络模型进行优化；利用优化完毕的卷积神经网络模型在测试集行人图像进行重识别。本发明方法在无监督的基础上，充分考虑了行人图像的异构性，从而有效克服了传统无监督学习方法无法充分考虑无标签行人图像之间的复杂拓扑结构的缺陷。
-
公开(公告)号：CN112528756B
公开(公告)日：2023-06-23
申请号：CN202011316377.X
申请日：2020-11-20
Applicant: 华南理工大学
IPC: G06V20/52 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于异构图的无监督行人重识别方法，包括以下步骤：获取行人图像并划分行人图像为训练集行人图像和测试集行人图像；对训练集行人图像构建一个摄像头相关的异构图；执行基于异构图的异构相似度传播，进而高效地从异构图中挖掘出顶点与顶点之间的空间相似性；利用异构相似度学习对卷积神经网络模型进行优化；利用优化完毕的卷积神经网络模型在测试集行人图像进行重识别。本发明方法在无监督的基础上，充分考虑了行人图像的异构性，从而有效克服了传统无监督学习方法无法充分考虑无标签行人图像之间的复杂拓扑结构的缺陷。
-
公开(公告)号：CN112381024A
公开(公告)日：2021-02-19
申请号：CN202011313048.X
申请日：2020-11-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种融合多模态的无监督行人再识别重排方法，该方法包括以下步骤：收集行人在行走过程中的多模态信息；利用卷积神经网络模型抽取行人特征，计算视觉相似度；利用图像时空信息，构建图像时空分布；利用WiFi信息，构建WiFi时空分布；融合视觉相似度，图像时空分布和WiFi时空分布，对行人重识别的排序结果进行重排。本发明方法综合了多模态信息进行二次重排，是一种降低搜索空间的有效措施，有效克服了传统的基于视觉特征的行人重识别方法对监控环境敏感的缺陷。
-
公开(公告)号：CN112507901A
公开(公告)日：2021-03-16
申请号：CN202011472231.4
申请日：2020-12-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于伪标签自纠正的无监督行人重识别方法，该方法包括：构建源域数据集、目标域数据集和目标域测试集，构建算法模型M，使用源域数据集对算法模型M进行预训练，使用算法模型M对目标域数据集提取第一目标特征，融合第一目标特征得到第二目标特征，使用第二目标特征进行聚类得到伪标签，对伪标签的质量进行评估并对质量差的聚簇进行纠正，将得到的结果作为伪标签重复训练算法模型M，使用算法模型M对目标域测试集提取第二目标特征并进行图像匹配，得到行人重识别结果。
-
公开(公告)号：CN112380461A
公开(公告)日：2021-02-19
申请号：CN202011308869.4
申请日：2020-11-20
Applicant: 华南理工大学
IPC: G06F16/9537 , G06K9/00 , G06K9/46 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于GPS轨迹的行人检索方法，包括以下步骤：收集行人在行走过程中的多模态信息；将收集到的GPS信息在地图上描绘成轨迹并根据轨迹的时空信息搜索附近的候选行人图像；利用ResNet‑50模型对候选行人图像进行特征抽取，再利用聚类算法对候选行人特征进行行人聚类，聚成不同行人聚簇；将每个行人聚簇根据行人图像的时空信息在地图上进行轨迹描绘，计算行人轨迹与GPS轨迹的距离，筛选出最符合的一条轨迹，进而确定了GPS轨迹对应的目标行人，最终达到GPS轨迹检索行人的目的。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
