轻量级多分支和多尺度人员重识别制造技术

本文描述了一种用于轻量级多分支和多尺度(LMBMS)重识别的系统。该系统包括为人员识别而训练的卷积神经网络，其中，该卷积神经网络包括从卷积神经网络的头部网络获得输入的一系列残余块。该系统还包括多个细化块，其中，一个或多个细化块取得来自一系列残余块之中的一残余块的特征作为输入，其中，特征是以不同的尺度和不同的分辨率输入的，并且多个细化块的输出是同一特征空间中的多个特征。通道级关注机制可合并多个特征并且生成最终动态特征。征。征。

【技术实现步骤摘要】
【国外来华专利技术】轻量级多分支和多尺度人员重识别

技术介绍

[0001]多个相机可被用于捕捉场景中的活动。随后对捕捉的图像的处理使得终端用户能够观看场景，并且在整个场景中在完全360度的运动范围上移动。例如，多个相机可被用于捕捉体育比赛，并且终端用户可以在整个比赛区域中自由移动。终端用户也可以从虚拟相机观看比赛。
附图说明
[0002]图1是多选手跟踪系统的框图；
[0003]图2是从捕捉自单个相机视图的帧中提取的限界框的图示；
[0004]图3是在时间戳t处从多个相机捕捉的限界框的图示；
[0005]图4是用于重识别的轻量级多分支多尺度模型的结构的框图；
[0006]图5是瓶颈和细化块的结构的框图；
[0007]图6是通道级关注机制的图示；
[0008]图7是选手的图示；
[0009]图8是实现轻量级多分支和多尺度(LMBMS)重识别的方法的过程流程图；
[0010]图9是图示出实现轻量级多分支和多尺度重识别的计算设备的框图；并且
[0011]图10是示出计算机可读介质的框图，该介质存储了用于实现轻本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于轻量级多分支和多尺度(LMBMS)重识别的系统，包括：为人员识别而训练的卷积神经网络，其中，所述卷积神经网络包括一系列残余块，该一系列残余块从所述卷积神经网络的头部网络获得输入；多个细化块，其中，一个或多个细化块取得来自所述一系列残余块之中的一残余块的特征作为输入，其中，所述特征是以不同的尺度和不同的分辨率输入的，并且所述多个细化块的输出是同一特征空间中的多个特征；以及通道级关注机制，用于合并所述多个特征并且生成最终动态特征。2.如权利要求1所述的系统，其中，在来自单个相机视图的成对帧之间向所述最终动态特征应用特征匹配，以进行单相机人员重识别。3.如权利要求1所述的系统，其中，在成对帧之间向所述最终动态特征应用特征匹配，以进行多相机人员重识别，其中每对帧是在时间戳t处来自不同相机视图的。4.如权利要求1所述的系统，包括：一个或多个相机，所述一个或多个相机捕捉比赛区域内的多个选手；以及人员检测器，所述人员检测器为所述比赛区域内的每个选手得出孤立限界框，其中，所述孤立限界框被输入到所述卷积神经网络以进行人员识别。5.如权利要求1所述的系统，其中，所述一系列残余块从输入到所述一系列残余块的限界框中得出特征，其中，当与来自更浅残余块的特征相比较时，来自更深残余块的特征处于更高的尺度和更高的分辨率。6.如权利要求1所述的系统，其中，每个细化块对输入特征执行1
×
1卷积、3
×
3卷积和第二1
×
1卷积，并且将这一系列卷积的结果与在该细化块的跳过分支中应用到所述输入特征的平均池化和另一1
×
1卷积的结果相乘。7.如权利要求1所述的系统，其中，被应用到从残余块提取的特征的细化块的数目取决于所述特征的尺度和分辨率。8.如权利要求1所述的系统，其中，所述通道级关注机制根据softmax函数为每个特征获得权重分布，并且对输入到所述通道级关注机制的特征进行合并以获得所述最终动态特征的128维度向量，其中，每个维度表示每个通道的重要性。9.如权利要求1所述的系统，其中，批量正规化被应用到所述最终动态特征。10.如权利要求1所述的系统，其中，所述卷积神经网络是利用与度量任务相组合的三元组损失以及用于分类的交叉熵损失来训练的。11.一种用于轻量级多分支和多尺度(LMBMS)重识别的方法，包括：从输入到为人员识别而训练的卷积神经网络的限界框中提取局部特征，其中，所述卷积神经网络包括一系列残余块，该一系列残余块从所述卷积神经网络的头部网络获得输入；经由所述一系列残余块从提取的局部特征在多个尺度上得出多级别特征，其中，一个或多个细化块取得来自所述一系列残余块之中的每个残余块的特征作为输入并且输出同一特征空间中的多个特征；以及合并所述多个特征以生成最终动态特征。12.如权利要求11所述的方法，其中，在来自单个相机视图的成对帧之间向所述最终动态特征应用特征匹配，以进行单相机人员重识别。
13.如...

【专利技术属性】
技术研发人员：陶洪智，栗强，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：