典型文献
无监督学习三元组用于视频行人重识别研究
文献摘要：
在智能交通中,对于目前产生的海量视频通过人工来标记行人图像不切实际,使无监督学习得到更多的关注.针对在无监督学习数据中缺少详细的身份信息,无法知晓目标图像对应的正负样本问题,提出一种无监督学习三元组用于视频行人重识别研究的方法.该方法从无标签的数据集中挖掘三元组、即目标图像,与目标图像身份相同的轨迹和与目标图像身份不同的轨迹.首先根据单相机内轨迹的时空一致性,即构成轨迹的任意帧图像具有相同的身份,将行人轨迹特征表示成图像特征均值后,通过计算rank-1轨迹作为判断三元组的条件,用于设计特殊的三元组损失函数.并根据特征距离大小分配样本权重,着重学习困难样本,使模型动态调整正、负样本对之间的距离,加速模型的收敛速率,降低过拟合风险.然后通过计算跨相机rank-1,合并高度关联的轨迹作为跨相机三元组的锚样本用于损失计算.最后联合单相机和跨相机的损失评估模型.经过实验证明,该方法在PRID2011、iLIDS-VID和MARS上的结果都表明了该模型的有效性和可靠性.
文献关键词：
无监督学习;行人轨迹;关联排序;时空一致性;三元组损失
中图分类号：
作者姓名：
蔡江琳;韩华;王春媛;潘欣宇;芮行江
作者机构：
上海工程技术大学 电子电气工程学院,上海201620
文献出处：
引用格式：
[1]蔡江琳;韩华;王春媛;潘欣宇;芮行江-.无监督学习三元组用于视频行人重识别研究)[J].智能计算机与应用,2022(11):18-25
A类：
PRID2011,iLIDS
B类：
无监督学习,视频行人重识别,智能交通,不切实际,习得,学习数据,身份信息,知晓,标图,正负样本,无标签,单相机,机内,时空一致性,行人轨迹,特征表示,成图,图像特征,rank,三元组损失,损失函数,样本权重,重学,学习困难,困难样本,加速模型,收敛速率,过拟合,损失计算,损失评估,VID,MARS,关联排序
AB值：
0.304351
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
