Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2018196396) PROCÉDÉ DE RÉ-IDENTIFICATION PERSONNELLE À BASE D'UN APPRENTISSAGE DE CARACTÉRISTIQUE DE CONTRAINTE DE COHÉRENCE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2018/196396 N° de la demande internationale : PCT/CN2017/115769
Date de publication : 01.11.2018 Date de dépôt international : 13.12.2017
CIB :
G06K 9/62 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
K
RECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9
Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
62
Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
Déposants :
清华大学 TSINGHUA UNIVERSITY [CN/CN]; 中国北京市 海淀区清华园 Qinghuayuan, Haidian District Beijing 100084, CN
Inventeurs :
鲁继文 LU, Jiwen; CN
周杰 ZHOU, Jie; CN
任亮亮 REN, Liangliang; CN
林己 LIN, Ji; CN
Mandataire :
北京清亦华知识产权代理事务所(普通合伙) TSINGYIHUA INTELLECTUAL PROPERTY LLC; 中国北京市 海淀区清华园清华大学照澜院商业楼301室 Room 301, Trade Building, Zhaolanyuan Tsinghua University, Qinghuayuan, Haidian District Beijing 100084, CN
Données relatives à la priorité :
201710272142.724.04.2017CN
Titre (EN) PERSON RE-IDENTIFICATION METHOD BASED ON CONSISTENCY CONSTRAINT FEATURE LEARNING
(FR) PROCÉDÉ DE RÉ-IDENTIFICATION PERSONNELLE À BASE D'UN APPRENTISSAGE DE CARACTÉRISTIQUE DE CONTRAINTE DE COHÉRENCE
(ZH) 基于一致性约束特征学习的行人再识别方法
Abrégé :
(EN) A person re-identification method based on consistency constraint feature learning, comprising: acquiring a picture of a person by means of a camera network and marking a training set, and setting a parameter and initializing a convolutional neural network, wherein the camera network constructs a plurality of camera pairs (S1); sampling a subset of pictures from a database, extracting feature information by using the convolutional neural network, and calculating and obtaining a similarity matrix of all people according to the feature information (S2); solving the optimal matching of a relationship matrix of all the people according to a pre-set objective function and a pre-set gradient descent method; obtaining gradient back propagation according to a deviation between the optimal matching of the relationship matrix of all the people and a relationship matrix, obtained according to actual situations, of all the people, so as to train the convolutional neural network according to the gradient back propagation (S4); and repeating steps S2-S4 until the user requirements are met (S5). The method can adapt to an application scenario of matching under a large camera network, thereby eliminating a contradictory matching error.
(FR) La présente invention concerne un procédé de ré-identification personnelle à base d'un apprentissage de caractéristique de contrainte de cohérence, comprenant les étapes consistant : à acquérir une image d'une personne au moyen d'un réseau de caméra et à marquer un ensemble d'apprentissage, et à régler un paramètre, et à initialiser un réseau neuronal convolutif, le réseau de caméras se composant d'une pluralité de paires de caméras (S1) ; à échantillonner un sous-ensemble d'images à partir d'une base de données, à extraire des informations de caractéristique à l'aide du réseau neuronal convolutif, et à calculer et à obtenir une matrice de similarité de toute personne en fonction des informations de caractéristique (S2) ; à résoudre l'appariement optimal d'une matrice de relations de toute personne en fonction d'une fonction objective prédéfinie et d'un procédé de descente de gradient prédéfini (S3) ; à obtenir une rétro-propagation du gradient en fonction d'un écart entre l'appariement optimal de la matrice de relations de toute personne et une matrice de relations obtenue en fonction des situations réelles de toute personne de manière à entraîner le réseau neuronal convolutif en fonction de la rétro-propagation du gradient (S4) ; et à répéter les étapes (S2 à S4) jusqu'à ce que les exigences de l'utilisateur soient satisfaites (S5). Le procédé peut s'adapter à un scénario d'application d'appariement dans un grand réseau de caméras, ce qui permet d'éliminer une erreur de correspondance contradictoire.
(ZH) 一种基于一致性约束特征学习的行人再识别方法,包括:通过摄像头网络获取行人图片,并标注训练集;设定参数,并初始化卷积神经网络,所述摄像头网络构建多个相机对(S1);从数据库当中采样出一个图片子集,使用卷积神经网络提取特征信息,根据特征信息计算得到所有行人的相似度矩阵(S2);根据预设目标函数和预设梯度下降方法求解所有行人的关系矩阵的最优匹配;根据所有行人的关系矩阵的最优匹配和根据实际情况得到的所有行人的关系矩阵之间的偏差求出梯度反传,来根据梯度反转训练卷积神经网络(S4);重复步骤S2-S4,直至满足用户需求(S5)。所述方法能够适应大型摄像机网络下进行匹配的应用场景,消除互相矛盾的匹配误差。
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)