CN119516617A 一种行人重识别方法、设备及介质 (中南大学)_第1页
CN119516617A 一种行人重识别方法、设备及介质 (中南大学)_第2页
CN119516617A 一种行人重识别方法、设备及介质 (中南大学)_第3页
CN119516617A 一种行人重识别方法、设备及介质 (中南大学)_第4页
CN119516617A 一种行人重识别方法、设备及介质 (中南大学)_第5页
已阅读5页,还剩29页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

过早退策略来判断查询图像的难易程度以实现2构建用于实现行人图像重识别的行人重识别算法,包括训练所述行人重识别算法,对粗推理阶段和细推理将待查询的行人图像输入到行人重识别模型中,与图库中的图像进对相似度得分进行降序排序,并计算相似度得分的一阶差分,得到一组设定一个早退阈值,通过早退阈值判断当前查询图像中包含的属计算每个块属于背景或者各个身体部分类别的概率,并融合各个身体部分类别的概采取软路由机制,根据得到的概率分布对块特征进行概率加权平均使用多头交叉注意力机制进一步处理,由第一部分特征导出查询调用全连接层和层归一化,得到新部分特征,所述新部分在推理时基于块一部分路由网络输出的概率分布生成二值化的部分可见性路由权重,3;;;ei表示第i个计算前景特征的距离以及采用身体部分的可见性路由权重值计算的所有身体部分特所述存储器用于存储可在处理器上运行的计算所述处理器用于执行所述计算机程序时实现如权利要求1至8中任一项所述的行人重45[0002]行人重识别旨在从由多个不同的摄像头捕获的大型行人图库中检索出与给定查异小而导致识别较为困难的行人图像,则需要细粒度的部分特征来支持进行更精细的匹6是否可以支持高置信度检索。若当前查询图像中包含足够数量的可见身体区域,则被视为要送入细推理阶段提取细粒度部分特征以进行更精细化的检索。;7;;;表示交叉熵损失,rr表示前景特征,rc表示拼计算前景特征的距离以及采用身体部分的可见性路由权重值计算的所有身体部所述存储器用于存储可在处理器上运行的计算所述处理器用于执行所述计算机程序时实现如上述的行人重识别方所述计算机程序被处理器执行时实现如上述的行人重识别方8道数、高度和宽度将x分割成N个大小固定的块;将所有块展平并通过一个可训练的线性投影函数进行映射,获得一组块嵌;;9G(GeRO)和W个块特征。;:;该实施例假设行人的身体区域和背景/遮挡区域在特征空间中属于不同的类别,当身体区域对应的块特征转变为背景/遮挡区域对应的块特征时,应该会表现出明显的特设定一个早退阈值a(ae[0,1]),通过阈值判断当前查询图像中包含的属于身含足够数量的可见身体区域可以支持高置信度检索,被视为简单查询,直接使用粗推理阶可以计算每个块属于背景或者各个身体部分类别的概率分布,计算表达w个块属于部分类别ci的概率。k(k<N)个块特征。然而,由于人体各个身体部分的面积差异较大,Top一k路由机制;分类别c;(i=1,…,M)的概率。[0033]使用对块特征z进行概率加权平均池化,得到一个行人前;特征。同时使用行人前景特征rr作为粗粒度提示,为细粒度的部分特征的学习提供上下[0035]对身体部分特征Ti使用一维卷积进行不同特征通道间的信息交互与整合,得到;前景特征rr导出键矩阵k和值矩阵v,表达式如下:;;;;l;;ei是身体部分特征Ti经过部分专家模块输出的新部分特征。;;粗推理阶段损失Lcoaxse使用交叉熵损失作为ID损失,监督编码器学习的全局;;;表示交叉熵损失,rr表示前景特征,rc表示拼接M个身体部分特征[0045]带有标签平滑的交叉熵损失Lin使用粗糙身体部分标签来引入人体拓扑先验知识;;[0047]部分专家损失Lpe负责监督部分专家模块对细粒度部分特征的学习,表达式如;ei表示第i个新部分特征,分别表示M个新[0049]本实施例针对行人重识别提出的两阶段动态检索机制根据查询图像的难易程度;[0051]对于细推理阶段,采用计算前景特征的距离以及采用身体部分的可见性路由权重值计算的所有身体部在细推理阶段中,查询a和图库样本9之间的距离为第一距离与第二;;;[0052]为验证本实施例方法的有效性,与当前最先进方法分别在遮挡行人数据集Occluded_Duke和两个完整行人数据集Market_1501和DukeMTMC_ReID上比较了行人重识别[0053]表1本实施例方法与当前最先进方法在遮挡行人数据集和完整行人数据集上关[0054]此外,为验证本实例方法对于检索性能与计算效率之间的权衡,在Occluded_Duke数据集上进行实验,使用Rank_1准确率和mAP作为性能指标,精细推理阶段的低可能是因为送入细推理阶段的查询没有覆盖完全需要细粒度部分特征辅助检索的困难所述存储器用于存储可在处理器上运行的计算所述处理器用于执行所述计算机程序时实现上述的行人重识别方个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分。[0060]所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行[0061]其中,所述计算机设备集成的模块/单元如果以软件功能单元的形式实现并作为方法提出了一种新颖的两阶段动态检索机制。该机制包括

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论