基于卷积神经网络的井下行人重识别算法

基金项目:

安徽省高校自然科学研究重点项目(2022AH053007)。

详细信息

Underground pedestrian recognition algorithm based on convolutional neural network

1. Anhui Vocational College of Press and Publishing, Hefei 230001, China;
2. Electromechanical Management Department, CHN Energy Shendong Coal Group Co., Ltd., Shenmu 719300, China

摘要: 针对矿井无监督行人重识别任务，提出一种基于软标签学习的无监督行人重识别算法。该算法利用软标签显示图像的相似程度，通过求解概率分布关联图片，软标签识别后判断出需要度量图片间的相似程度时，可充分利用井下行人的编号及摄像头的编号。并提出跨摄像头激励机制，用于对不同摄像视角下行人图像标签优化，将全局外观和局部细节作为辅助模型训练的激励信息。实验结果表明，基于软标签学习的无监督行人重识别算法的准确率和全类平均精度(mAP)分别提高了24.3%和16.6%,辅以摄像头激励后改善了原有不同相机识别图像的困难。
- 井下行人重识别 /
- 卷积神经网络 /
- 软标签 /
- 跨摄像头激励机制

[1]	林榕辉.基于行人重识别的目标关联方法研究[D].北京:中国人民公安大学,2024.
[2]	杨东贺.基于分组卷积的无监督注意机制行人重识别方法研究[D].包头:内蒙古科技大学,2023.
[3]	王雯.面向行人重识别的多维信息联合建模与表征[D].北京:北京交通大学,2023.
[4]	周彩云.基于卷积神经网络的行人重识别技术研究[D].青岛:中国石油大学(华东),2021.
[5]	涂园园,贺松,姚绍华.基于局部特征融合的行人重识别方法[J].智能计算机与应用,2021,11(12):122-125,132.
[6]	周刊,胡士强,吴桐.基于深度度量学习的行人重识别方法[J].传感器与微系统,2020,39(5):61-64.
[7]	ZHAO Liming,LI Xi,WANG Jingdong,et al.Deeply-learned part-aligned representations for person re-identification[C].Proceedings of the 16th IEEE International Conference on Computer Vision.Piscataway,2017:3219-3228.