一个深层神经网络学习基于转移的足迹图像检索

文摘

作为一个基本的犯罪现场的证据,足迹图像在串行的开裂情况下不容忽视。传统的足迹比较和检索需要大量的时间和人力资源,大大影响了案件的进展。深度学习的快速发展,卷积神经网络显示在图像识别和检索性能优良。满足公安足迹图像检索的实际需要,我们探索卷积神经网络对足迹图像检索的影响并提出一个深层神经网络基于迁移学习的图像检索。同时,基于边缘计算技术,我们开发了一个足迹收集排放数据采集系统。足迹数据集上实验结果我们表明,我们的方法是有用的和实际的。

1。介绍

图像检索的研究始于1970年代。最初,它是基于文本的图像检索;图像被使用文本的特征(1,2]。在1990年代,基于内容的图像检索,即。,the image color and texture were analyzed, and some shallow classifiers such as SVM and other technologies for image retrieval were used to improve the accuracy of the search [3,4]。但这些方法仍然无法解决语义鸿沟(5,6]。深度学习的研究和开发,卷积神经网络(CNN) (7- - - - - -9]表现近年来在图像检索和识别。与各种类型的图像识别比赛举行,如ImageNet [10]和Kaggle [11),多个模型改变了CNN表现良好,如AlexNet [12,VGG GoogLeNet [13),ResNet, DenseNet。这些模型计算机视觉领域的主导了他们优良的识别精度。应用CNN执行内容的图像检索和识别具有较高的可靠性。

目前,人脸识别(14),指纹、手掌印自动识别和检索技术已经成熟的在公安刑事案件的调查。足迹,犯罪现场的另一个重要的痕迹,也有一个重要的角色。然而,传统的足迹搜索和识别工作往往需要大量的人力资源,时间,和经验。手工检索下大数据量也容易犯错。因此,足迹自动检索系统有大量的应用程序需求。然而,基于传统的浅的机器学习方法,足迹图像检索系统不仅耗费时间,还需要提高准确率。

为了解决上述问题,我们探索卷积神经网络对足迹图像检索的影响,提出一种新颖的方法。我们的工作有三个重大贡献。首先,一个深神经网络提出了足迹图像的特征提取。我们所知,这是第一次尝试解决足迹图像的特征提取。通过连接足迹图像特征提取三个不同的模型,我们可以得到更丰富的检索功能。这种方法可以获得优秀而稳定的搜索结果在使用余弦距离。其次,学习用于pretrain转移模型,这使得我们对碳足迹数据集有杰出的表现方式与较小的数据大小。实验表明,该方法是有用的和实际的。最后,最初足迹图像数据集构造,中扮演着重要的角色在公共社会保障的足迹图像检索任务。

2。相关的工作

CNN是一种改进的前馈神经网络基于一个完全连接的神经网络(15),这大大减少了需要计算的参数。其网络结构主要由一个卷积层,池层、连接层,和一些激活功能。在卷积层,输入图像的特征提取使用卷积操作在输入图像使用不同的卷积核(16- - - - - -18]。卷积的结果改变非线性获得下一层的输出作为输入。如果卷积后地图的特性是相对较大的,可以减少维度池操作。池操作有两种类型,最大池操作(19),平均池操作。汇聚层后,输出图像的深度不变,仍然是特征图的数量。池层可以防止过度拟合的模型在一定程度上,它更方便连接所有神经元的权重,得到相同的输出连接,传统的神经网络。

根据CNN的发展,有许多典型的CNN网络,如LeNet-5模型,AlexNet模型,VGGNet模型,ResNet模型和DenseNet GoogleNet模型。在这里,我们选择三个典型模型实验。

2.1。VGGNets

VGGNet [20.)模式是由牛津大学发明的视觉几何集团在国际图像识别,取得了较高的排名竞争。从总体设计的角度来看,VGGNet AlexNet也有类似的设计风格。这是一个更深入的网络体系结构建立在AlexNet。其网络结构主要由5组卷积层,五层汇聚层,三层完全连接层。卷积有2或3卷积操作在每一层,由连续卷积混合然后卷积最后输出通过一个完全连接层。图1显示了VGG19模型的结构。

2.2。ResNet

更深层次的神经网络可以提取更丰富的图像特征,但与此同时,梯度消失和爆炸的问题变得更加突出。它会导致艰苦的训练。他等人提议ResNet [21这从一定程度上解决了这个问题,这个模型ILSVRC2015取得了第一名。ResNet使图像信息的快捷方式结构第一层直接传递到深层,从而保护图像特征信息的完整性。图2显示了一个典型的残块用于ResNet。

2.3。DenseNet

的基本思想DenseNet ResNet相似。也就是说,他们两个之间建立连接之前的层和层。ResNet相比,DenseNet [22)提出了一个密集的链接,可以连接所有层。明确,每一层接受所有的前层作为一个额外的输入。

图3显示了ResNet的密集的连接。DenseNet的另一个重要特点是它实现功能重用通过连接通道上的特性。这些特征让DenseNet参数和计算成本比ResNet少,但它比ResNet更好的性能。图3显示了一个密集的连接。在我们的实验中,使用DenseNet121。

2.4。整体学习

监督学习算法的机器学习,我们的目标是学习一个稳定的模型,在各方面表现良好,但实际情况往往不太理想。有时候,我们只能得到模型在某些方面表现得更好,但不得在其他方面表现良好。整体学习能很好解决这一问题。它结合了几个弱监督模型来完成学习任务,最后得到一个更加稳定和综合模型。由于不同的足迹图像特征提取的不同模型,最终将会出现各种各样的搜索结果。保护和兼容这些差异获得更珍贵的足迹图像特征描述,本文指的是集成学习的想法。我们训练VGG ResNet和DenseNet网络足迹图像数据集,在测试阶段,这三个模型的输出连接到形成最终的足迹图像特征。实验结果表明,该方法是稳定的。

2.5。转移学习

大量的数据是一个至关重要的因素当深度学习达到这样优秀的性能在各个领域。没有大量数据的支持,没有吸引力的深度模型。但是在许多情况下,我们不能得到大量的数据训练模型。在这种情况下,转移学习在一定程度上解决了这个问题。pretraining模型作为检查点开始训练生成神经网络模型来支持新任务。这种方法通常被称为转移学习。它的优点是,它不需要重新开始设计和训练一个新的网络。相反,它是基于网络模型的训练,和参数和知识迁移执行。只有少量的计算资源和培训时间可以支持一个新的任务。有各种功能pretraining模型中的数据和重量信息,有些特性数据和重量信息是严格相关对象确定的分类,和一些共同特征数据和信息,可用于不同的任务或之间共享对象; transfer learning aim is to migrate those common feature data and information, so as to avoid learning this knowledge again and achieve fast learning. In our experiments, we found that high-quality footprint images that can be used in experiments are not particularly large after data cleaning, so we use migration learning methods to compensate for the lack of data. The experimental results show that transfer learning can be applied to our mission well.

3所示。我们的模型

我们结合一些深层神经网络模型突出表现在人脸识别和人reidentification [23- - - - - -25];VGGNet19、ResNet50 DenseNet121是用于我们的实验。我们的足迹图像中提取三个模型,分别做一些对比实验。因为不同模型得到的足迹图像的特性不同,我们建议一个深层神经网络融合这种差异。

我们连接特性提取通过三个不同的模型构建特色的足迹图像进行实验。与此同时,我们的火车模型基于转移学习足迹图像数据集是由我们PSBKC(昆山市公安局)在中国。

我们的方法包括四个关键步骤:(1)数据清洗和预处理(2)模型结构调整和模型训练(3)提取的特征足迹数据集通过一些深层神经网络模型和合奏神经网络建立特征向量索引(4)计算距离的足迹图像和输出检索结果

的整体框架足迹图像检索和匹配方法如图4。

3.1。预处理

预处理的数据在计算机视觉起着至关重要的作用。获得更好的实验结果,我们结合这个项目的实验数据集。输入图片需要预处理。首先,为了便于特征参数的提取,一个输入足迹约 像素是调整 。然后,我们垫图像和随机作物图像 。一方面,这种方法确实是增加数量的样本数据。另一方面,由于足迹图像数据集是长方形的,为了保持其长宽比更好的特征提取,我们调整原始图像 ,可以节省一些图形卡内存在训练。

与此同时,这些数据是标准化的。这个数据集的连续取样还原法是用于规范化。具体操作方法是将输入图像转换为一个矩阵和减去从每个样本数据的统计平均,即计算每个图像样本的平均值,然后减去相应的平均成本平均每个样本中心像素。

对于图像数据,这种归一化方法可以去除图像的平均亮度值,从而减少了干扰背景的影响图像的实验。最后,图像转化为0 - 1张量和规范化。

3.2。模型微调和培训

在这项工作中,我们修改了完全连接(FC)层的三个模型和随后的完全连接层的一部分。新俱乐部层和分类层定义为线性的顺序,批处理规范化,ReLU和线性。ResNet50 Densenet121,我们修改了完整的连接层512和添加了一个新的分类层。在这里,修改的目的和动机完全连接层以适应两种模型。同时,我们保留第一个完全连接层VGG19和删除第二个;还增加了一层新的分类。添加层参数的初始化与开明正常(26];其他参数模型的ImageNet pretrained。足迹图像的训练集训练这三个模型。

我们也使用自适应平均池。由于足迹图像的高度比宽度大,我们需要指定池内核。因此,自适应平均池实现起来更舒适。在培训过程中,我们建立了SGD[60时代和使用27)为反向传播利用参数pretrained ImageNet,见以下方程: 在哪里是SGD优化目标函数,和表示训练样本和训练标签,表示模型参数,即,重量和偏见。

我们在实验中使用动态学习速率;学习速率方程定义如下: lr是当前学习速率;lr₀最初的学习速率;是学习速率衰减系数;step_size是变化的步骤学习速率;时代是当前时代的数量。

同时,批量大小是32。最初的学习速率为0.1,学习速率每40迭代后将被更新。最后一个模型准确率可以达到98%以上。

3.3。特征提取

在基于深度学习的图像检索中,提取的特征向量是一个关键的步骤。通过比较分析当前各种主流卷积神经网络模型,结合课题的实际情况,我们使用三个不同的模型实验。这三个模型训练后对我们的足迹图像,我们保留其余的网络结构除了分类层。每个图像的足迹画廊是由网络模型中提取的。当我们使用ResNet50和DenseNet121提取功能,每个图像的维数是512,VGG19的产量是4096。

受整体学习的启发,而使用这三个模型来提取特征分别进行比较实验,我们执行一个额外的实验融合这些不同的基本信息。我们输入一个足迹图像并提取特征通过三个模型在同一时间。特征向量模型获得的连接和合并。具体的原理图如图5。认为足迹图像提取的特征表征不同模型不同,但是这些不同特性表示包含一些基本的信息组件。融合这不同的关键信息和保留更多的功能最终的检索,我们连接的特征向量提取的各种模型来得到最终的特征向量,和它的尺寸是5120。

毕竟图像的特征提取,特征向量建立足迹图像数据库的索引数据库。

3.4。度量学习

计算样本之间的距离是热的研究(28]。目前,典型的距离度量,如欧氏距离,余弦相似性距离,和汉明距离已经广泛使用。在深度上优于图像检索、图像特征提取使用CNN,特征向量,和相应的图像是基于图像的特征向量来表示。

图像之间的相似性是由计算图像特征向量之间的距离。在本文中,将使用欧氏距离和余弦距离作为相似的图像特征向量的计算方法。欧氏距离方程被用来测量绝对距离点在多维空间中,并比较显示为以下公式:

余弦距离使用余弦向量空间中的两个向量之间的角度来衡量两个个体之间的差异。它关注的两个向量之间的不同方向。余弦距离方程如下公式所示:

在这里,假设有一个总照片在照片库中,下列方程显示: 在哪里代表搜索图像的特征向量,代表的特征向量th足迹图像库,代表不同的距离特征向量。较小的值表明有两个图片相似度高。然后,值是排序算法相比,发现和输出最相似的图片。

本文三个深层神经网络模型用于提取图像数据库中的每个图像的特点,建立特征向量索引数据库。图像搜索是通过模型,用于提取特征向量的距离和相似度的计算是通过比较上述算法。

4所示。实验

在实验中,首先,我们打扫数据并选择这些足迹图像高质量为我们的实验。由于小数量的每个类足迹图像,我们做一些数据扩充和使用学习方法转移来获得更好的模型。我们使用pretrained模型ImageNet数据集。根据其参数,我们使用碳足迹数据集训练模型进一步;这可以弥补的问题造成的模型的准确性在一定程度上缺乏数据。在我们的实验中,最后训练分类模型可以达到超过97%的准确性。

模型结构,我们定义新的VGG19完全连接层和分类层,ResNet50, DenseNet121。为了得到更好的足迹的特征表示图像,我们首先使用训练集训练模型。因为我们使用相同的图像域训练模型,这将是更好的,当我们使用模型来提取特征。之后,提取的特征表示的新的训练模型的完全连接层。

根据上面的实验中,我们尝试了特征融合和连接三种模式的特征向量获得组建一个新的特征向量检索。5120维向量维度。实验结果如表所示1。

我们提取特征的足迹图像画廊和查询构建两个特征向量数据库。我们可以计算足迹图像之间的距离和输出十个最相似的足迹图像。

在本节中,我们使用三个不同的修改模型和两种不同的距离测量功能的实验。我们还进行了特征融合实验和使用相同的距离测量方法上面的实验。

4.1。数据集和实验设置

我们的实验与NVIDIA RTX2080ti GPU上运行Ubuntu 16.04, 11 G RAM。所有的实验都是基于PyTorch (https://github.com/pytorch/pytorch)。实验代码被修改的项目人reidentification (https://github.com/layumi/Person_reID_baseline_pytorch)。

碳足迹数据集由两部分组成。一部分是犯罪现场足迹图像的实际情况由PSBKC提供。对于这些数据,我们首先手动选择高质量的足迹,以方便研究通过数据清洗,这些数据是由众包标记。另一部分来自我们的足迹采集系统。基于边缘的计算技术,我们开发了足迹采集系统,集成了身份证识别和足迹射击。借助该系统部署在我们实验室的入口和出口,有些脚印和相应的标签可以自动获得。由于隐私和其他原因,我们只能招收少量的志愿者。因此,只有少量的碳足迹数据集。

对于这些足迹图像,我们也做一些数据,如旋转、随机裁剪,灰度值,对比变换。整个数据集有5000多个图像。有40个类在火车和51类在画廊集。我们从每个类随机选择一些图片的画廊形成一组查询,和画廊中的每个类包含超过6与查询相似的图像。我们选择一个足迹图像从每个类和培训所有验证数据集。数据集的基本情况如表所示1。当然,仍有一些缺点的过程中构建足迹图像数据集,如问题在一个样本的数据量很小,总样本量不够大。因此,为了弥补缺乏数据,我们使用传输模型的学习在训练。同时,根据提供的足迹图像,我们使用三种不同的模型来提取摘要足迹图像特征和做一些对比实验。除此之外,我们也进行融合实验功能。

4.2。性能指标

我们评估了三种深度学习模型的性能在足迹数据集基于五个流行的评估标准:召回率,精确率,F1-score,排名 ,和平均平均精度(地图)。精确率表示的数量的比例相似图片搜索结果( )的总数图片在搜索结果中( ),见以下方程:

召回率表示的数量的比率类似的图像( )在搜索结果的总数类似的图像数据库中( ),见以下方程:

通常,准确率和召回率相对矛盾的,,很难同时达到最优的情况。召回率可以反映搜索结果的全面性,和精确率强调表达的准确性。F1-score结合召回率和精确率的特点,它被定义为以下方程:

排名,显示正确的概率导致顶部搜索结果。

我们也使用意味着平均精度评估综合性能。计算的平均精度(美联社)为每个查询。意味着平均精度(mAP)表示正确的检索系统的平均速度和方程如下:

5。结果与讨论

5.1。结果

根据上述实验,结合五种不同的评估方法,我们可以得到实验结果如表所示2。

在使用向量提取的实验结果由一个单独的模型作为检索功能,可以发现使用 能记得,得分最高的83.43% 得分低的精度。 取得最高的分数在精度和F1-score 82.78%和83.10%。所有的模型,除了 可以得到近100% rank10得分。这意味着这些模型在实验中可以类似的足迹图像输入输出。 达到87.02%的地图。

在特征融合实验中,我们可以发现,当欧氏距离作为度量函数,实验结果远高于VGG模型在所有评价指标,这是类似于ResNet50和DenseNet121但略低于这两个模型。然而,当结合余弦距离,融合特性是最高的在所有指标除了地图和各种指标有一个非常稳定的性能。它还表明,融合特征方法有实际的效果。从实验的整体结果,DenseNet151 ResNet50比VGG19, ResNet50比DensNet121略好。熔融特性有良好的性能,当搭配余弦距离,但略低于ResNet50 DenseNet151当搭配欧几里得距离。测量距离的算法,余弦距离比欧几里得在我们的实验中, 具有最好的性能。

5.2。分析和讨论

在本文中,我们探索三个不同深度卷积神经网络对足迹图像检索。三种典型深度模型修改和应用于本文。他们使用欧氏距离和余弦距离,分别检索实验。同时,我们提出一个足迹的特征表示图像融合方法。我们结合的三个模型的特性输出VGG19, ResNet50, DenseNet121形式更丰富的足迹图像特征。和实验也进行了两个测量功能的欧几里得距离和余弦距离。

实验后,我们得到良好的检索结果。最初它可以满足实际需要的公共安全。在某种程度上,它可以减少手动筛选所需的时间,发挥辅助作用在公安的调查情况。从图我们可以看到一些检索的结果6数量,绿色意味着相似检索图像,和红色的号码是错误的输出。

从以上实验结果,我们发现VGG19是表现最差的模型在所有模型。它可能是由于浅网络结构,和提取的足迹图像特性不够丰富相比其他两个模型。

ResNet引入了剩余的网络结构,通过剩余网络可以使网络层更深层次的和相对改善其性能。实验结果在我们的论文也比DenseNet121表明ResNet50达到更高的分数。尽管DenseNet121更深层更丰富的足迹图像特性,它仍然没有距离与ResNet50足迹图像检索的性能。也就是说,更深层次的网络不可能带来更好的结果。单独的模型而言,ResNet50更适合本文的研究内容。

我们提出的融合特性是非常有用的实验。当使用余弦距离作为距离测量功能,它非常稳定和优秀的性能。我们可以推断出它能取得这么好的效果的原因是,不同模型的特征向量提取是不同的。融合功能充分结合三个不同维度的足迹图像信息,最大限度地保留每个模型获得的图像信息。

然而,这些差异并不是无用的,确定最后的足迹图像的特征。融合特性使得最后得到足迹图像特征信息更丰富,更有利于检索实验。最后实验结果证明方法和稳定具有重要意义。

在本文中,我们选择两个常见的距离度量函数,余弦距离和欧几里得距离,对足迹图像之间的相似度计算。这两个距离度量函数简单,但他们在各种任务工作。从我们的实验中,我们可以看到使用余弦距离作为衡量比欧氏距离函数要好得多。我们相信,欧几里得距离更关注数值之间的差异在低维空间中向量。相比之下,余弦距离更集中在高维空间中向量之间的区别。在我们的实验中,足迹图像特性更高维度经过深度模型和更适合处理使用余弦距离。它还表明余弦距离适用于足迹图像的识别和检索。

从以上实验结果,我们可以发现rank1非常高;这意味着如果输出设置为10张图片组成,第一个输出的结果有90%以上的概率被类似的图像。这样做的原因可能是缺乏多样性的数据为每个类的样本。换句话说,我们没有足够的数据在每种类型的足迹图像。虽然我们做了一些数据,仅仅反相图像和改变足迹图像的灰度值不能达到数据的多样性。在未来的研究中,我们可以关注这个问题和扩大我们的足迹数据采集系统通过我们的足迹。

6。结论

本文探讨了一些深度学习模型用于足迹图像检索和匹配方法。我们使用三个不同的深层神经网络模型来提取特征和两个度量学习方法来计算相似度。同时,基于上述研究内容,我们提出一种新的特征表示方法识别和检索的足迹图像。这些实验表明,该方法可以有效地用于类似的搜索的足迹。

据我们所知,没有标准和完整的足迹图像匹配系统。我们的工作可以减少质量图像匹配只需要检索从数量有限的候选图像,从而为进一步的人类提供可行性的判断。通过实验结果,我们的方法可以有效地帮助公安警察发现病例的同时大大降低了资源消耗的手工检索过程和具有实际应用价值。

虽然我们已经完成了初步实验中,仍存在一些问题,如数据不够大,这可能会影响到基于CNN pretraining深度学习的性能模型。结合实战场景在不久的将来,我们将关注样本数据集的建设。同时,图像背景处理和不同的度量学习方法仍然具有挑战性的任务,这也将是我们下一步的重点。

数据可用性

所有的数据都是可以从作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

同样有着杨陈和陈了这项研究和分享第一作者。

确认

这项工作得到了国家自然科学基金(格兰特数字61876217,61673290,61672371,61876121);江苏的创新团队资助(批准号xydxx - 086);苏州的科技开发项目(批准号SYG201817);和学生苏州科技大学研究开发项目(批准号SKSJ18_010)。

引用

1. j . Sivic和a . Zisserman”视频谷歌:文本检索方法在视频对象匹配,”ICCVIEEE p。1470年,2003年。视图:谷歌学术搜索
2. y邓和b . s .希,“无监督分割彩色纹理区域的图像和视频中,“IEEE模式分析与机器智能,23卷,不。8,800 - 810年,2001页。视图:出版商的网站|谷歌学术搜索
3. r . Arandjelović和a . Zisserman”三件事每个人都应该知道改善对象检索”2012年IEEE计算机视觉与模式识别会议普罗维登斯,页2911 - 2918年,国际扶轮,美国,2012年。视图:谷歌学术搜索
4. m·m·拉赫曼·k·Antani, g·r·托马”学习型相似度融合和筛选方法对生物医学图像检索使用SVM分类和相关反馈,”IEEE在生物医学信息技术,15卷,不。4、640 - 646年,2011页。视图:出版商的网站|谷歌学术搜索
5. s . c . h . j . Wan d . Wang海et al .,“基于内容的图像检索的深度学习:一个全面的研究”22日ACM国际会议多媒体学报》上ACM,页157 - 166。视图:谷歌学术搜索
6. d . y . Liu, g . Lu, w . y .妈,“基于内容的图像检索的调查与高层语义,“模式识别,40卷,不。1,第282 - 262页,2007。视图:出版商的网站|谷歌学术搜索
7. f . Radenovićg . Tolias, o .密友”微调CNN图像检索,没有人类的注释,“IEEE模式分析与机器智能第41卷。。7,1655 - 1668年,2018页。视图:谷歌学术搜索
8. a . Gordo j . Almazan j . Revaud, d . Larlus”端到端学习图像检索的深度视觉表示,“国际计算机视觉杂志》上,卷124,不。2、237 - 254年,2017页。视图:出版商的网站|谷歌学术搜索
9. h .能剧,a . Araujo j . Sim t·韦安德一道,汉族,“大规模图像检索与细心的深地方特性,”《IEEE计算机视觉国际会议,第3465 - 3456页,威尼斯,意大利,2017年。视图:谷歌学术搜索
10. j .邓w .咚,r . Socher k, l . j . Li和l .菲菲”Imagenet:大规模的分层图像数据库”2009年IEEE计算机视觉与模式识别会议,页248 - 255,迈阿密,佛罗里达,美国,2009年。视图:谷歌学术搜索
11. 诉Iglovikov, s Mushinskiy,诉Osin”卫星图像特征检测使用深卷积神经网络:一个Kaggle竞争,”2017年,https://arxiv.org/abs/1706.06169。视图:谷歌学术搜索
12. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统,第1105 - 1097页,2012年。视图:谷歌学术搜索
13. c . Szegedy w·刘,y贾et al .,“要更深的曲线玲珑,”《IEEE计算机视觉与模式识别会议美国波士顿,页1 - 9,2015。视图:谷歌学术搜索
14. f·斯沃夫,d . Kalenichenko和j . Philbin”Facenet:统一嵌入人脸识别和聚类”《IEEE计算机视觉与模式识别会议,页815 - 823,波士顿,美国,2015年。视图:谷歌学术搜索
15. t . n . Sainath a·r·穆罕默德·b·金斯伯里,和b . Ramabhadran“深LVCSR卷积神经网络,”2013年IEEE国际会议音响、演讲和信号处理8618年,页8614 - 2013 BC,加拿大,温哥华。视图:谷歌学术搜索
16. d . Erhan y Bengio、a .考维尔和p .文森特,“深层网络的可视化更高层次特征,”蒙特利尔大学,卷1341,不。3 p。2009。视图:谷歌学术搜索
17. m . d . Zeiler和r·费格斯“可视化和理解卷积网络”欧洲计算机视觉可汗,页818 - 833年,2014年。视图:谷歌学术搜索
18. m . Oquab l . Bottou。拉普帖夫海,j . Sivic“学习使用卷积神经网络和传输图像中层表示,”《IEEE计算机视觉与模式识别会议美国哥伦布,页1717 - 1724,2014。视图:谷歌学术搜索
19. g . Tolias r . Sicre, h . Jegou”的特定对象检索与整体max-pooling CNN激活,”2015年,https://arxiv.org/abs/1511.05879。视图:谷歌学术搜索
20. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,https://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
21. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,美国,2016年。视图:谷歌学术搜索
22. 黄g . l . Van Der Maaten z . Liu和k·温伯格,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议美国夏威夷,页4700 - 4708,,2017。视图:谷歌学术搜索
23. z郑,郑l . y .杨”人reidentification,有区别地学会了cnn嵌入”ACM交易多媒体计算、通信和应用程序(汤米·),14卷,不。1,p。13日,2018。视图:谷歌学术搜索
24. r . w . Li赵、t·肖和x王”Deepreid:深层过滤配对reidentification神经网络的人,”《IEEE计算机视觉与模式识别会议美国哥伦布,页152 - 159,2014。视图:谷歌学术搜索
25. d .咦,z Lei, s .廖和s . z李“深reidentification度量学习的人,”2014年22日国际会议模式识别,页34-39,斯德哥尔摩,瑞典,2014年。视图:谷歌学术搜索
26. k . x张,他任美国,j .太阳”深入深入整流器:超越人类imagenet分类、性能”《IEEE计算机视觉国际会议,页1026 - 1034,圣地亚哥,智利,2015。视图:谷歌学术搜索
27. p . Goyal p .美元,r . Girshick et al .,“准确、大型minibatch SGD:训练imagenet 1小时,”2017年,https://arxiv.org/abs/1706.02677。视图:谷歌学术搜索
28. k问:温伯格和l . k .扫罗,”距离度量学习大利润最近邻分类,“机器学习研究杂志》上,10卷,不。2009年2月,页207 - 244。视图:谷歌学术搜索

版权

版权©2021有着陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。