DGD卷积神经网络行人重识别

• 作者: 井长兴 杨力 杨忠桃 章东平
• 来源期刊: 中国计量大学学报
• 学科: 工学
• 关键词: 卷积神经网络 样本相对距离 欧氏距离
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 数理与信息科学
• 页码范围: 504-508
• 页数: 5页
• 分类号: TP391
• 字数: 2316字
• 语种: 中文
• DOI: 10.3969/j.issn.2096-2835.2017.04.016

摘要

行人重识别在视频监控领域是一个非常具有挑战性的问题,不同的摄像头位置角度、光照等因素会使同一行人的图像差异较大.文章提出一种DGD(Domain Guided Dropout)卷积神经网络(CNN)与样本相对距离结合的行人重识别算法:首先,通过卷积神经网络来提取来自多个域的数据中具有一般性及鲁棒性的特征;其次,通过计算各个特征样本之间的相对距离来筛选出更具有一般性及鲁棒性的特征;最后,比较筛选出的特征间的欧氏距离进行重识别.实验结果表明,该算法能够提高行人重识别的效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	章东平	中国计量大学信息工程学院	29	80	5.0	7.0
2	杨力	中国计量大学信息工程学院	12	26	3.0	4.0
3	杨忠桃	中国计量大学信息工程学院	1	3	1.0	1.0
4	井长兴	中国计量大学信息工程学院	2	8	2.0	2.0