-
公开(公告)号：CN113177518B
公开(公告)日：2023-04-28
申请号：CN202110566479.5
申请日：2021-05-24
Applicant: 西安建筑科技大学
IPC: G06V20/54 , G06V10/774 , G06V10/764 , G06V10/82 , G08G1/017
Abstract: 本发明公开了一种利用弱监督区域推荐的车辆重识别方法及系统，采集道路监控摄像头捕捉的车辆图像数据，对其进行数据增强并应用于本发明所设计的弱监督区域推荐网络中；设计弱监督区域推荐网络模型的结构，区域推荐模块使用分类损失和区域建议损失函数进行优化，使其能够提取图像中具有丰富信息度的多尺度局部区域，从而获取更具有辨别力、描述力的局部区域特征，局部特征与全局特征使用三元组损失进行优化，增强网络的辨识能力；使用适应性梯度下降算法以端到端的方式监督弱监督区域推荐网络的训练，得到训练好的模型后，计算车辆查询集与图库集的相似度，根据相似度的大小排序获取车辆重识别结果。
-
公开(公告)号：CN113177518A
公开(公告)日：2021-07-27
申请号：CN202110566479.5
申请日：2021-05-24
Applicant: 西安建筑科技大学
Abstract: 本发明公开了一种利用弱监督区域推荐的车辆重识别方法及系统，采集道路监控摄像头捕捉的车辆图像数据，对其进行数据增强并应用于本发明所设计的弱监督区域推荐网络中；设计弱监督区域推荐网络模型的结构，区域推荐模块使用分类损失和区域建议损失函数进行优化，使其能够提取图像中具有丰富信息度的多尺度局部区域，从而获取更具有辨别力、描述力的局部区域特征，局部特征与全局特征使用三元组损失进行优化，增强网络的辨识能力；使用适应性梯度下降算法以端到端的方式监督弱监督区域推荐网络的训练，得到训练好的模型后，计算车辆查询集与图库集的相似度，根据相似度的大小排序获取车辆重识别结果。
-
公开(公告)号：CN112836677B
公开(公告)日：2023-04-07
申请号：CN202110228955.2
申请日：2021-03-02
Applicant: 西安建筑科技大学
IPC: G06V20/54 , G06V20/40 , G06V10/74 , G06V10/82 , G06N3/045 , G06N3/047 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 一种利用深度学习的弱监督车辆重识别方法，包括步骤1：获取跨监控摄像头的车辆图像数据，对车辆数据进行预处理操作；步骤2：构造一个三分支卷积神经网络，将步骤1得到的车辆图像按照批量大小输入神经网络，提取同一车辆的多个特征映射；步骤3：在步骤2中的分支后构造一个注意力网络，将步骤2中得到的特征映射送入各自分支的自注意力网络得高维特征向量；步骤4：将步骤3得到的高维特征向量优化为不同输入车辆图像的相同语义部位；步骤5：用步骤1的跨监控摄像头的车辆图像训练数据对三分支卷积神经网络进行训练；步骤6：用步骤1的跨监控摄像头的车辆图像测试数据进行测试。本发明提高了车辆重识别的匹配精度。
-
公开(公告)号：CN112836677A
公开(公告)日：2021-05-25
申请号：CN202110228955.2
申请日：2021-03-02
Applicant: 西安建筑科技大学
Abstract: 一种利用深度学习的弱监督车辆重识别方法，包括步骤1：获取跨监控摄像头的车辆图像数据，对车辆数据进行预处理操作；步骤2：构造一个三分支卷积神经网络，将步骤1得到的车辆图像按照批量大小输入神经网络，提取同一车辆的多个特征映射；步骤3：在步骤2中的分支后构造一个注意力网络，将步骤2中得到的特征映射送入各自分支的自注意力网络得高维特征向量；步骤4：将步骤3得到的高维特征向量优化为不同输入车辆图像的相同语义部位；步骤5：用步骤1的跨监控摄像头的车辆图像训练数据对三分支卷积神经网络进行训练；步骤6：用步骤1的跨监控摄像头的车辆图像测试数据进行测试。本发明提高了车辆重识别的匹配精度。
-
-
-
Search Results
4
records
(took 0.029 seconds)
