申请/专利权人：清华大学

申请日：2021-09-16

公开（公告）日：2024-04-26

公开（公告）号：CN113807247B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/44;G06V10/764;G06V10/82;G06N3/048;G06N3/0464;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.01.04#实质审查的生效;2021.12.17#公开

摘要：本发明提出一种基于图卷积网络的行人重识别高效标注的方法及装置，其中包括，S1：获取行人图像数据集，并对所述行人图像数据集中预设数量的图像样本进行标注，根据标注后的图像样本生成标注数据集；S2：根据所述标注数据集中的图像样本对预设特征提取网络进行训练，并利用训练后的特征提取网络对所述行人图像数据集中的图像样本进行特征提取，获取所述行人图像数据集中的图像样本对应的图像特征；S3：根据所述图像特征计算图卷积网络的邻接矩阵，以训练所述图卷积网络，并利用所述图卷积网络输出的图像样本对之间的关系扩充所述标注数据集；S4：重复执行所述步骤S2和S3，直至所述标注数据集中图像样本的数量超过预设阈值，以得到神经网络模型。

主权项：1.一种基于图卷积网络的行人重识别高效标注的方法，其特征在于，包括以下步骤：步骤S1：获取行人图像数据集，并对所述行人图像数据集中预设数量的图像样本进行标注，根据标注后的图像样本生成标注数据集；步骤S2：根据所述标注数据集中的图像样本对预设特征提取网络进行训练，并利用训练后的特征提取网络对所述行人图像数据集中的图像样本进行特征提取，获取所述行人图像数据集中的图像样本对应的图像特征；步骤S3：根据所述图像特征计算图卷积网络的邻接矩阵，以训练所述图卷积网络，并利用所述图卷积网络输出的图像样本对之间的关系扩充所述标注数据集；步骤S4：重复执行所述步骤S2和S3，直至所述标注数据集中图像样本的数量超过预设阈值，以得到神经网络模型；所述步骤S1，包括：收集特定场景中的摄像头网络拍摄到的原始监控视频，利用已有的行人检测与追踪算法，截取各帧视频中的行人，制作行人图像数据集；随机选取少量的样本对进行预标注，将标注数据放入有标数据集合中，作为特征提取骨干网络的输入；所述步骤S2，包括：所述特征提取骨干网络为卷积神经网络，所述卷积神经网络包括残差网络，输入数据为当前已有标注的样本对，损失函数为行人身份损失函数和三元组损失函数，对特征提取网络进行有监督方式的训练，再让所有图片通过训练好的网络，抽取出它们的特征；所述步骤S3，包括：将图的每个节点的特征从骨干网络中抽取，并进行归一化，其中，在所述图卷积网络中，图的每个节点代表一张行人图片，节点之间的边代表节点之间的关系，使用归一化的图拉普拉斯矩阵加上单位矩阵作为图的邻接矩阵；所述图卷积网络只有两层，最后一层需要完成对每条边是否标注的分类任务，具体包括：将尚未标注的每条边关联的两个节点特征做内积计算相似度，再将两个节点特征与相似度值进行连接，作为边的特征，输入到全连接层中，使用Sigmoid激活函数得到值位于0、1之间的输出，作为边的得分，得分越接近0表示越倾向于不标注这条边，越接近1表示越倾向于标注这条边。

全文数据：

权利要求：

百度查询： 清华大学 基于图卷积网络的行人重识别高效标注方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD