[发明专利]基于AdaRank的深度特征和传统特征的集成方法在审
| 申请号： | 201710450306.0 | 申请日： | 2017-06-15 |
| 公开（公告）号： | CN107292259A | 公开（公告）日： | 2017-10-24 |
| 发明（设计）人： | 郑苏桐;郭晓强;李小雨;姜竹青;门爱东 | 申请（专利权）人： | 国家新闻出版广电总局广播科学研究院;北京邮电大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/46 |
| 代理公司： | 天津盛理知识产权代理有限公司12209 | 代理人： | 王利文 |
| 地址： | 100886 北京市西*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于AdaRank的深度特征和传统特征的集成方法，其主要技术特点是将图像数据进行分割，针对不同部分分别构造并训练深度卷及神经网络，用以获得深度特征；从行人再识别数据中提取传统特征，包括LOMO特征、ELF6特征、Hog3D特征；选取如下三种度量学习方法KISSME、kLFDA和LMNN；将所有特征与三种度量学习方法进行组合张成笛卡尔乘积，得到一系列弱排序器；利用AdaRank算法，对弱排序器进行集成学习，最终得到强排序器。本发明设计合理，结合了深度学习、多特征、度量学习、集成学习，通过构造“弱排序器”并进行集成学习，使得系统的整体性能远远高于单一特征和单一度量算法，使得系统整体匹配率大大提升，获得了很好的性能。 | ||
| 搜索关键词： | 基于 adarank 深度 特征 传统 集成 方法 | ||
【主权项】：
一种基于AdaRank的深度特征和传统特征的集成方法，其特征在于包括以下步骤：步骤1、将图像数据进行分割，针对不同部分分别构造并训练深度卷及神经网络，用以获得深度特征；步骤2、从行人再识别数据中提取传统特征，包括LOMO特征、ELF6特征、Hog3D特征；步骤3、选取如下三种度量学习方法：KISSME、kLFDA和LMNN；步骤4、将所有特征与三种度量学习方法进行组合张成笛卡尔乘积，得到一系列弱排序器；步骤5、利用AdaRank算法，对弱排序器进行集成学习，最终得到强排序器。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于国家新闻出版广电总局广播科学研究院;北京邮电大学，未经国家新闻出版广电总局广播科学研究院;北京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710450306.0/，转载请声明来源钻瓜专利网。
