公开(公告)号：CN114821632A

公开(公告)日：2022-07-29

申请号：CN202210231378.7

申请日：2022-03-10

Applicant: 中国矿业大学

Inventor： 汪一 ,  王亮博 ,  周玉

IPC: G06V40/10 ,  G06N3/08 ,  G06N3/04 ,  G06K9/62 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种遮挡行人重识别方法，包括：构建多任务学习网络，包括全身行人身份重识别分支和遮挡行人身份重识别分支；构建两个分支各自对应的损失函数Lh和Lo；采用互学习策略对多任务学习网络进行训练，两个分支的CNN特征表达部分共享权重，即先利用Lh对全身行人身份重识别分支进行训练，将训练得到的CNN特征表达部分的权重与遮挡行人身份重识别分支的CNN特征表达部分共享，再利用Lo对遮挡行人身份重识别分支进行训练，将训练得到的CNN特征表达部分的权重与全身行人身份重识别分支的CNN特征表达部分共享，两个分支的训练交替进行；根据训练好的多任务学习网络进行遮挡行人重识别，得到识别结果，提高了行人重识别的准确率。

公开(公告)号：CN113095263B

公开(公告)日：2024-02-20

申请号：CN202110429894.6

申请日：2021-04-21

Applicant: 中国矿业大学

Inventor： 周玉 ,  孙彦景 ,  王亮博 ,  李锐

IPC: G06V40/10 ,  G06V10/774 ,  G06V20/40 ,  G06V10/75 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出遮挡下行人重识别模型训练方法、装置及遮挡下行人重识别方法、装置。在进行模型训练时，通过结构相同、参数共享的特征提取网络分别提取一对输入图像的特征图像。由于只有输入图像对之间存在遮挡区域的不同，其余参数保持一致，因此通过对两个特征图做差，即可得到遮挡区域所对应的差异特征。再通过注意力生成器为差异特征进行不等价的权重分配，对模型精度影响较大的特征分配更高的权重，之后再从原特征图中把分配好的特征给减去，保留较多的非遮挡区域。最后得到的两个特征图像送入池化层池化后再经全连接层进行基于损失函数的递归训练。本发明不依赖第三方监督信息，模型具备更高的准确度，能够实现更准确的遮挡下行人重识别。

公开(公告)号：CN115497117A

公开(公告)日：2022-12-20

申请号：CN202210274261.7

申请日：2022-03-21

Applicant: 中国矿业大学

Inventor： 汪一 ,  孙彦景 ,  王亮博 ,  周玉 ,  李锐

IPC: G06V40/10 ,  G06N3/08 ,  G06N3/04 ,  G06V10/44 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种遮挡行人重识别方法，原始训练数据集中行人图像和对应遮挡行人图像组成网络的输入对，接下来将其送入权重共享网络提取特征，从而得到同一行人未遮挡与遮挡图像特征图，然后通过特征感知模块对两幅特征图进行信息交换，从而使两者可以相互学到对方具有区别的特定特征。特征感知模块主要通过对两幅特征图进行拼接压缩，之后通过加权聚合对特征进行合并，使得网络可以结合同一行人未遮挡与遮挡图像特征之间的特点与共性。本发明不仅能够有效地解决遮挡行人重识别任务，而且识别精度高。

公开(公告)号：CN113095263A

公开(公告)日：2021-07-09

申请号：CN202110429894.6

申请日：2021-04-21

Applicant: 中国矿业大学

Inventor： 周玉 ,  孙彦景 ,  王亮博 ,  李锐

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

Abstract: 本发明提出遮挡下行人重识别模型训练方法、装置及遮挡下行人重识别方法、装置。在进行模型训练时，通过结构相同、参数共享的特征提取网络分别提取一对输入图像的特征图像。由于只有输入图像对之间存在遮挡区域的不同，其余参数保持一致，因此通过对两个特征图做差，即可得到遮挡区域所对应的差异特征。再通过注意力生成器为差异特征进行不等价的权重分配，对模型精度影响较大的特征分配更高的权重，之后再从原特征图中把分配好的特征给减去，保留较多的非遮挡区域。最后得到的两个特征图像送入池化层池化后再经全连接层进行基于损失函数的递归训练。本发明不依赖第三方监督信息，模型具备更高的准确度，能够实现更准确的遮挡下行人重识别。