欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202010523812X
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于细粒度判别网络与二阶重排序的车辆重识别方法,其特征在于:所述方法主要由两个部分组成:细粒度判别网络和二阶段重排序算法;

所述细粒度判别网络的整个网络架构采用多元损失来监督,由两部分组成:孪生网络和细粒度网络;首先,所述孪生网络将同步学习图像的深度特征,并通过鉴别损失和验证损失将图像对投射到欧几里得空间进行相似度映射;之后,所述细粒度网络应用细粒度分类损失来鉴别车辆间的细微差异;

所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征,并将其分为两个阶段;在第一阶段,从融合特征中获取k-倒数特征;在第二阶段,通过提取k-倒数最近邻的均值中心来计算样本均值特征;最终距离由马氏距离、欧氏距离和杰卡德距离加权获得,用于获取排名列表。

2.根据权利要求1所述的一种基于细粒度判别网络与二阶重排序的车辆重识别方法,其特征在于:所述孪生网络主要包含两个相同架构的子网络,它们在训练期间共享权重,共享的卷积神经网络同时结合鉴别损失和验证损失;

鉴别模型将重识别视为多分类任务,该模型在强标签信息的基础上通过监督学习获取深度网络表征;通过使用交叉熵损失,鉴别损失函数的定义与传统的softmax损失函数类似,可写成如下形式:其中K表示训练集中的样本数;C表示总类数; 是目标车辆的正确概率;w=[w1,w2,...,wC]是预测车辆概率矩阵;wt表示正确的车辆标签矩阵;f表示相应的提取特征;

反过来,验证模型将这问题作为二分类相似回归任务来解决,分析输入到网络中的图像对,预测它们是否对应同一类,孪生深度网络能够通过鉴别监督来学习欧氏空间中的相似度量;交叉熵损失仍然适用于训练验证模型,其公式如下:其中G是图片对总数, 表示对应同一目标的图像对,当被检测图像对匹配同一目标时, 否则 添加了一个正方形层来融合从孪生网络中提取的特征,这两个输入特征向量由(f1-f2)2计算,然后得到融合特征;ws代表正确检测到的车辆标签的矩阵。

3.根据权利要求1所述的一种基于细粒度判别网络与二阶重排序的车辆重识别方法,其特征在于:所述细粒度网络使用紧凑的双线性池化方法获得细粒度特征,用紧凑双线性池化层取代原始池化层,并添加了signed square-root层 且使用L2正则化层执行归一化步骤;通过使用紧凑双线性层提取全局图像描述符如下公式所示:其中S表示一系列空间位置,X=(x1,...,x|S|)表示一系列局部描述符,XS是从HOG、SIFT或者通过基于卷积神经网络的前向反馈的局部描述符;

所述细粒度网络在训练过程中被细粒度损失所监督学习,使用softmax损失函数作为细粒度损失函数,可以将其定义为:其中K表示训练集中的样本数;C表示总类数; 表示目标车辆的正确率,w=[w1,w2,...,wC]是预测车辆的概率矩阵,wt表示正确车辆标签矩阵;f表示对应提取的细粒度特征;且λ是L2正则化的参数;

在强辨别力的细粒度网络的两个分支网络中提取特征,然后将它们合并,融合方法是基于简单的维度叠加,计算公式如下:fall=[f1,f2,…,fN]     (5)

其中N表示子网数,且fN是第N个被提取出的特征向量。

4.根据权利要求1所述的一种基于细粒度判别网络与二阶重排序的车辆重识别方法,其特征在于:所述二阶段重排序算法在第一阶段,采用k-reciprocal编码方法获取k-reciprocal特征,假设定义N张图像的gallery测试集为G={gi|i=1,2,...N},H(p,k)={g1,g2,···,gk}是相似度前k个的样本集,根据公式(6)定义;N(gi,k)表示gi的前k个相似样本集,假设两个集合相似,它们的交集则是与候选目标p最相似;

H(p,k)={gi|(gi∈N(p,k))∩(p∈N(gi,k))}    (6)添加每个候选对象的1/2k-reciprocal最近邻到一个更鲁棒的集合中,使得更多的积极样本集在匹配列表的前面:排名靠前的样本的置信度往往受到邻近样本的影响;

在第二阶段,在使用融合特征计算H(p,k)后,定义p的置信度项 来增强正样本的置信度以检索排名列表,这个选择策略是选取前k个样本之间的均值候选样本,根据如下公式(8)获得:鲁棒集合 由目标车辆p的均值候选样本 计算而来;

应用杰卡德距离来测量两个集合的差异,若两张图片相似,它们的k-reciprocal最近邻集合就会有更多的重叠样本区域,p与gi的杰卡德距离计算如下:最终距离d*由马氏距离、欧氏距离和杰卡德距离加权而得,定义如下:

其中dM(p,gi)表示p与gi间的欧氏距离;dE(p,gi)是p与gi间的马氏距离;dJ(y,gi)是p与gi间的杰卡德距离;y包含p和