平移变化性相似性学习的行人重识别算法

平移变化性相似性学习的行人重识别算法

TP391.41; 行人重识别的精确度主要取决于相似性度量方法和特征学习模型.现有的度量方法存在平移不变性的特点,会增加网络参数训练的难度.现有的几种特征学习模型只强调样本之间的绝对距离而忽略了正样本对和负样本对之间的相对距离,造成网络学习到的特征判别性不强.针对现有度量方法的缺点该文提出一种平移变化的距离度量方法,能够简化网络的优化并能高效度量图像之间的相似性.针对特征学习模型的不足,提出一种增大间隔的逻辑回归模型,模型通过增大正负样本对之间的相对距离,使得网络得到的特征判别性更强.实验中,在Market1501和CUHK03数据库上对所提度量方式和特征学习模型的有效性进行验证,实验结果表明...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电子与信息学报 2018-10, Vol.40 (10), p.2381-2387
Hauptverfasser: 陈兵, 查宇飞, 李运强, 张胜杰, 张园强
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 2387
container_issue 10
container_start_page 2381
container_title 电子与信息学报
container_volume 40
creator 陈兵
查宇飞
李运强
张胜杰
张园强
description TP391.41; 行人重识别的精确度主要取决于相似性度量方法和特征学习模型.现有的度量方法存在平移不变性的特点,会增加网络参数训练的难度.现有的几种特征学习模型只强调样本之间的绝对距离而忽略了正样本对和负样本对之间的相对距离,造成网络学习到的特征判别性不强.针对现有度量方法的缺点该文提出一种平移变化的距离度量方法,能够简化网络的优化并能高效度量图像之间的相似性.针对特征学习模型的不足,提出一种增大间隔的逻辑回归模型,模型通过增大正负样本对之间的相对距离,使得网络得到的特征判别性更强.实验中,在Market1501和CUHK03数据库上对所提度量方式和特征学习模型的有效性进行验证,实验结果表明,所提度量方式性能更好,其平均精确率超出马氏距离度量6.59％,且所提特征学习模型也取得了很好的性能,算法的平均精确率较现有的先进算法有显著提高.
doi_str_mv 10.11999/JEIT180184
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dzkxxk201810014</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dzkxxk201810014</wanfj_id><sourcerecordid>dzkxxk201810014</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1024-5b7e9af01427169c27c7e0d845a426b589c14e00664f7b0d801dfa6568ba39433</originalsourceid><addsrcrecordid>eNpjYBA2NNAzNLS0tNT3cvUMMbQwMLQwYWHgNDQwsNQ1tbA042DgLS7OTDIwMjY0MzcwMOZkMHu6c_Pz5buf9s942jPtWcPy57N3PNmzB8h4unbZk50Lns9qebGw58muXS_be1-sb3vasfr5uunPNk_lYWBNS8wpTuWF0twMoW6uIc4euj7-7p7Ojj66xYYGRia6pknmqZaJaQaGJkbmhmaWyUbmyeapBikWJqaJJkZmSUAnJRuapBoYmJmZpJknASUMDFPSEs1MzSySEo0tTYyNuRnUIeaWJ-alJealx2fllxblAW2MT6nKrqjINgL6EOg7QxNjAA_jWOY</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>平移变化性相似性学习的行人重识别算法</title><source>Alma/SFX Local Collection</source><creator>陈兵 ; 查宇飞 ; 李运强 ; 张胜杰 ; 张园强</creator><creatorcontrib>陈兵 ; 查宇飞 ; 李运强 ; 张胜杰 ; 张园强</creatorcontrib><description>TP391.41; 行人重识别的精确度主要取决于相似性度量方法和特征学习模型.现有的度量方法存在平移不变性的特点,会增加网络参数训练的难度.现有的几种特征学习模型只强调样本之间的绝对距离而忽略了正样本对和负样本对之间的相对距离,造成网络学习到的特征判别性不强.针对现有度量方法的缺点该文提出一种平移变化的距离度量方法,能够简化网络的优化并能高效度量图像之间的相似性.针对特征学习模型的不足,提出一种增大间隔的逻辑回归模型,模型通过增大正负样本对之间的相对距离,使得网络得到的特征判别性更强.实验中,在Market1501和CUHK03数据库上对所提度量方式和特征学习模型的有效性进行验证,实验结果表明,所提度量方式性能更好,其平均精确率超出马氏距离度量6.59％,且所提特征学习模型也取得了很好的性能,算法的平均精确率较现有的先进算法有显著提高.</description><identifier>ISSN: 1009-5896</identifier><identifier>DOI: 10.11999/JEIT180184</identifier><language>chi</language><publisher>空军工程大学航空航天工程学院 西安 710038</publisher><ispartof>电子与信息学报, 2018-10, Vol.40 (10), p.2381-2387</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dzkxxk/dzkxxk.jpg</thumbnail><link.rule.ids>314,776,780,27903,27904</link.rule.ids></links><search><creatorcontrib>陈兵</creatorcontrib><creatorcontrib>查宇飞</creatorcontrib><creatorcontrib>李运强</creatorcontrib><creatorcontrib>张胜杰</creatorcontrib><creatorcontrib>张园强</creatorcontrib><title>平移变化性相似性学习的行人重识别算法</title><title>电子与信息学报</title><description>TP391.41; 行人重识别的精确度主要取决于相似性度量方法和特征学习模型.现有的度量方法存在平移不变性的特点,会增加网络参数训练的难度.现有的几种特征学习模型只强调样本之间的绝对距离而忽略了正样本对和负样本对之间的相对距离,造成网络学习到的特征判别性不强.针对现有度量方法的缺点该文提出一种平移变化的距离度量方法,能够简化网络的优化并能高效度量图像之间的相似性.针对特征学习模型的不足,提出一种增大间隔的逻辑回归模型,模型通过增大正负样本对之间的相对距离,使得网络得到的特征判别性更强.实验中,在Market1501和CUHK03数据库上对所提度量方式和特征学习模型的有效性进行验证,实验结果表明,所提度量方式性能更好,其平均精确率超出马氏距离度量6.59％,且所提特征学习模型也取得了很好的性能,算法的平均精确率较现有的先进算法有显著提高.</description><issn>1009-5896</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2018</creationdate><recordtype>article</recordtype><recordid>eNpjYBA2NNAzNLS0tNT3cvUMMbQwMLQwYWHgNDQwsNQ1tbA042DgLS7OTDIwMjY0MzcwMOZkMHu6c_Pz5buf9s942jPtWcPy57N3PNmzB8h4unbZk50Lns9qebGw58muXS_be1-sb3vasfr5uunPNk_lYWBNS8wpTuWF0twMoW6uIc4euj7-7p7Ojj66xYYGRia6pknmqZaJaQaGJkbmhmaWyUbmyeapBikWJqaJJkZmSUAnJRuapBoYmJmZpJknASUMDFPSEs1MzSySEo0tTYyNuRnUIeaWJ-alJealx2fllxblAW2MT6nKrqjINgL6EOg7QxNjAA_jWOY</recordid><startdate>20181001</startdate><enddate>20181001</enddate><creator>陈兵</creator><creator>查宇飞</creator><creator>李运强</creator><creator>张胜杰</creator><creator>张园强</creator><general>空军工程大学航空航天工程学院 西安 710038</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20181001</creationdate><title>平移变化性相似性学习的行人重识别算法</title><author>陈兵 ; 查宇飞 ; 李运强 ; 张胜杰 ; 张园强</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1024-5b7e9af01427169c27c7e0d845a426b589c14e00664f7b0d801dfa6568ba39433</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2018</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>陈兵</creatorcontrib><creatorcontrib>查宇飞</creatorcontrib><creatorcontrib>李运强</creatorcontrib><creatorcontrib>张胜杰</creatorcontrib><creatorcontrib>张园强</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>电子与信息学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>陈兵</au><au>查宇飞</au><au>李运强</au><au>张胜杰</au><au>张园强</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>平移变化性相似性学习的行人重识别算法</atitle><jtitle>电子与信息学报</jtitle><date>2018-10-01</date><risdate>2018</risdate><volume>40</volume><issue>10</issue><spage>2381</spage><epage>2387</epage><pages>2381-2387</pages><issn>1009-5896</issn><abstract>TP391.41; 行人重识别的精确度主要取决于相似性度量方法和特征学习模型.现有的度量方法存在平移不变性的特点,会增加网络参数训练的难度.现有的几种特征学习模型只强调样本之间的绝对距离而忽略了正样本对和负样本对之间的相对距离,造成网络学习到的特征判别性不强.针对现有度量方法的缺点该文提出一种平移变化的距离度量方法,能够简化网络的优化并能高效度量图像之间的相似性.针对特征学习模型的不足,提出一种增大间隔的逻辑回归模型,模型通过增大正负样本对之间的相对距离,使得网络得到的特征判别性更强.实验中,在Market1501和CUHK03数据库上对所提度量方式和特征学习模型的有效性进行验证,实验结果表明,所提度量方式性能更好,其平均精确率超出马氏距离度量6.59％,且所提特征学习模型也取得了很好的性能,算法的平均精确率较现有的先进算法有显著提高.</abstract><pub>空军工程大学航空航天工程学院 西安 710038</pub><doi>10.11999/JEIT180184</doi><tpages>7</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1009-5896
ispartof 电子与信息学报, 2018-10, Vol.40 (10), p.2381-2387
issn 1009-5896
language chi
recordid cdi_wanfang_journals_dzkxxk201810014
source Alma/SFX Local Collection
title 平移变化性相似性学习的行人重识别算法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-25T08%3A04%3A46IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%B9%B3%E7%A7%BB%E5%8F%98%E5%8C%96%E6%80%A7%E7%9B%B8%E4%BC%BC%E6%80%A7%E5%AD%A6%E4%B9%A0%E7%9A%84%E8%A1%8C%E4%BA%BA%E9%87%8D%E8%AF%86%E5%88%AB%E7%AE%97%E6%B3%95&rft.jtitle=%E7%94%B5%E5%AD%90%E4%B8%8E%E4%BF%A1%E6%81%AF%E5%AD%A6%E6%8A%A5&rft.au=%E9%99%88%E5%85%B5&rft.date=2018-10-01&rft.volume=40&rft.issue=10&rft.spage=2381&rft.epage=2387&rft.pages=2381-2387&rft.issn=1009-5896&rft_id=info:doi/10.11999/JEIT180184&rft_dat=%3Cwanfang_jour%3Edzkxxk201810014%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dzkxxk201810014&rfr_iscdi=true