2019 IEEE Access之ReID: Person Re-Identification Between Visible and Thermal Camera Images Based on

本文提出了一种简化卷积神经网络结构的行人重识别方法,通过单一输入融合可见光和热图信息。使用Res50作为backbone,结合Otsu阈值法和视网膜过滤进行图像预处理,通过anchor、positive和negative pairs进行训练。实验在DBPerson-Recog-DB1和SYSU-MM01数据集上进行,表现出色,与现有方法相比有显著性能提升。
摘要由CSDN通过智能技术生成

Person Re-Identification Between Visible and Thermal Camera Images Based on Deep Residual CNN Using Single Input
当前的问题及概述
当前的很多方法,会使用了两个或更多的图像作为输入,计算复杂度是非常高的。
本文提出了一种简化卷CNN结构的person ReID方法,该方法将可见光图像和热图作为单一输入进行融合。
模型及loss:
本文提出的框架
在这里插入图片描述
本结构中,将输入图像进行分类,选取anchor、positive、negative pairs进行分别输入,经过预处理后分别进入IPVT-1, IPVT-2和 IIPVT通道,如下图所见,IPVT-1采用双通道pairs,IPVT-2采用单通道pairs,IIPVT既采用单通道pairs也采用双通道pairs,这3个通道都包括了两个模态的图像以及两个pairs,anchor选取RGB图像,positive 选取同ID的IR图像,negative选取不同ID的IR图像。
在这里插入图片描述
Case 1:图像二值化:Otsu thresholding(大津阈值法)
作者认为:热图在背景区域较暗时,倾向于表现前景

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值