公开(公告)号：CN116798008A

公开(公告)日：2023-09-22

申请号：CN202310751516.9

申请日：2023-06-25

Applicant: 厦门理工学院

Inventor： 吴芸 ,  陈盼盼 ,  连加未 ,  王大寒 ,  陈思 ,  朱顺痣 ,  葛德武

IPC: G06V20/54 ,  G06V10/74 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明提出一种基于代表性空间特征的车辆重识别方法，通过分析基于代表性空间方向的有效细微表征特征，分离车辆的代表性空间SRS信息和非空间区域的辨别信息，来完成车辆重识别任务，包括以下步骤；步骤一、选择并训练用于提取车辆关键点信息的识别网络，并通过关键点信息捕捉到有代表性的局部空间区域；步骤二、利用局部空间区域的代表性空间特征和非空间区域的区分性特征来消除空间转移产生的干扰，同时增强识别网络的模型稳健性；步骤三、结合全局鉴别性信息、代表性空间信息进行车辆再识别，以提高模型的性能；本发明能够明显提高车辆识别任务的性能，有效地提高了模型对空间视角信息变化的处理能力，解决了各种时空状态下的物体匹配问题。

公开(公告)号：CN115223111A

公开(公告)日：2022-10-21

申请号：CN202210873517.6

申请日：2022-07-22

Applicant: 厦门理工学院

Inventor： 王大寒 ,  吴芸 ,  连加未 ,  周伟 ,  朱顺痣

IPC: G06V20/54 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于多分支增强型判别特征提取的车辆重识别方法，包括以下步骤；步骤S1、选取车辆重识别网络模型的骨干网络，定义网络优化器和训练参数，初始化待训练模型；步骤S2、整合训练数据集并增扩数据集；步骤S3、进行模型训练；步骤S4、全局分支计算全局损失；步骤S5、水平分支把全局特征图沿宽度切分成四个大小相同不重叠的子特征图，并且把子特征图分别输入到损失模块计算局部损失；步骤S6、竖直分支计算局部损失；步骤S7、根据步骤S3‑S6的损失进行反向传播，调整网络的参数；步骤S8、重复步骤S2‑S7直到达到网络训练设置的最大次数；步骤S9、保存分类精度最高的模型参数；本发明不需要人工标注标签及特定的数据集就可以达到较好的识别效果。