【技术实现步骤摘要】
一种用于行人重识别的将神经网络模块化的行人深度特征融合方法
本专利技术涉及一种行人重识别方法，特别是一种更具有灵活性和鲁棒性的针对神经网络训练过程中不同深度的行人特征融合的行人重识别方法。
技术介绍
行人重识别任务可以被看作图像检索的子任务，可以理解为在由多个不同摄像区域的摄像头所拍摄的视频或图像中搜索特定身份行人的任务。作为智能视频分析领域的新兴技术，行人重识别任务在安防和监控应用中起到十分重要的作用。行人重识别任务的本质是对图像或视频中的行人进行检测、跟踪以及特征分析，由于受到监控环境的影响，拍摄视角变化，拍摄环境差异，图像质量较差，人体姿态变化等因素都影响着行人重识别结果的准确率，随着计算机视觉技术和机器学习的快速发展，行人重识别任务中的许多关键问题都得到了十分有效的解决，行人重识别任务也逐渐成为了十分热门的研究方向。尽管如此深度学习技术十分有效的提升了行人重识别的效率，但是由于相机视角变化和行人姿态变化带来的干扰，行人重识别问题仍存在很多的研究难点。由于不同摄像视角捕捉的同一行人的不同图片之间存在较大...
【技术保护点】
1.一种基于神经网络模块化的方式，优化了同一行人在不同视角下的图像特征融合方法，其特征在于，包括如下步骤：/n1)将神经网络架构W以多个输入/输出为节点划分多个训练模块，其中损失函数为一个单独的模块，神经网络架构W定义为主干网络；/n2)选择其中某个划分模块B_p的输出节点p为特征融合模块B_f的输入节点。/n3)将原来网络架构W中节点p之后的子网络定义为W_q，构建一个与W_q结构完全相同的子网络M_q；/n4)将M_q拼接在特征融合模块B_f之后构建特征融合分支网络；/n5)分别选择合适的损失函数对主干网络和特征融合分支网络加以约束，包括交叉熵损失函数、三元组损失函数和...
【技术特征摘要】
1.一种基于神经网络模块化的方式，优化了同一行人在不同视角下的图像特征融合方法，其特征在于，包括如下步骤：
1)将神经网络架构W以多个输入/输出为节点划分多个训练模块，其中损失函数为一个单独的模块，神经网络架构W定义为主干网络；
2)选择其中某个划分模块B_p的输出节点p为特征融合模块B_f的输入节点。
3)将原来网络架构W中节点p之后的子网络定义为W_q，构建一个与W_q结构完全相同的子网络M_q；
4)将M_q拼接在特征融合模块B_f之后构建特征融合分支网络；
5)分别选择合适的损失函数对主干网络和特征融合分支网络加以约束，包括交叉熵损失函数、三元组损失函数和圆损失函数；
6)将每张图片输入到整个网络架构中，在节...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。