• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于全局和局部特征的跨模態(tài)行人再識別方法

    2022-09-28 07:29:42袁瑞超胡曉光楊世欣
    智能計算機與應用 2022年9期
    關鍵詞:全局行人損失

    袁瑞超,胡曉光,2,楊世欣

    (1中國人民公安大學 信息網絡安全學院,北京 102600;2中國人民公安大學 偵查學院,北京 102623)

    0 引 言

    當前行人再識別方法主要是基于可見光圖像和視頻的行人再識別方法,著重解決可見光條件下目標人物的背景、光照、姿態(tài)等問題。然而,如果目標人物白天活動較少,夜間活動較多,僅依靠采集的可見光圖像對目標人物再識別,難以應對目前犯罪嫌疑人晝伏夜出的問題。較為發(fā)達的城市除了大范圍安裝彩色(RGB)攝像機外,同時還會安裝紅外(IR)攝像機,不僅在白天可以采集到RGB圖像,還會在夜晚采集到IR圖像。因此,基于RGB和IR圖像的跨模態(tài)行人再識別技術對于目標人物軌跡特征的捕捉非常重要。

    在ILSVRC12的比賽中,Krizhevsky等人設計了識別精度較高的大型卷積神經網絡,贏得了比賽勝利。自此,以卷積神經網絡為代表的深度學習方法開始流行。應用在行人再識別領域的深度學習方法的特點是通過各種卷積神經網絡獲得豐富的行人特征,設計各種各樣的損失函數來訓練網絡。Zhang等人提出了端到端的局部特征聯合(Aligned)方法,采用難采樣三元組損失監(jiān)督訓練,達到再識別目的。Park等人提出了相關關系網絡模型,將三元組損失和交叉熵損失聯合,作為最終的損失函數,多階段對網絡監(jiān)督訓練。Hermans等人改進傳統(tǒng)的三元組損失函數,在行人類間差距大于類內距離的基礎上,使類內距離要小于某個設定閾值,來對網絡模型監(jiān)督訓練,獲得了更好的識別效果。張濤等人提出了基于全局特征的三元組損失改進方法,在傳統(tǒng)三元組損失的基礎上引入類內距離,增大類間距離的同時,縮小類內距離,該模型達到了較好的識別效果。

    近年來,基于RGB-IR圖像的跨模態(tài)行人再識別方法成為了廣泛關注點,用RGB和IR攝像機拍攝的行人圖像,對網絡進行訓練,提高同一行人RGB和IR圖像的匹配準確率。目前廣泛使用的方法有2種。一種是圖像生成方法,多采用生成對抗網絡,將混合RGB和IR的多模態(tài)圖像統(tǒng)一轉換為單一模態(tài)的RGB或IR圖像;另一種是神經網絡學習分類的方法,對行人的RGB和IR圖像同時進行特征提取,獲得具有鑒別力的特征,使用合理的損失函數對網絡進行監(jiān)督訓練。對此擬展開闡釋分述如下。

    (1)采用圖像生成的方法。Dai等人采用GAN網絡,從RGB和IR圖像數據集中學習出具有判別力的特征,用判別器進行判斷,最終提高判別器的識別能力。Wang等人提出了像級子網絡,將RGB圖像轉換為IR圖像,一定程度上擴充了數據集,在此基礎上訓練帶有特征嵌入的子網絡,從而減小模態(tài)差異,達到再識別目的。Wang等人利用GAN網絡將RGB圖像轉換為IR圖像,對真實的IR圖像和虛假的IR圖像進行判別驗證,達到再識別目的。

    (2)采用神經網絡學習分類的方法。趙立昌等人提出了灰度能量差異性的紅外圖像與可見光圖像融合方法,突出了目標信息和對比度。Wu等人提出了基于深度零填充的方法,采集了RGB-IR圖像數據集SUSU-MM01,解決了再識別的研究問題。Ye等人提 出 了 雙 向 中 心 約 束 的top-ranking(eBDTR)算法,使用了一對網絡來分別提取RGB和IR圖像特征,并采用SoftMax損失和雙向約束排序損失(Bi-directional ranking loss),對網絡進行監(jiān)督訓練。杜鵬等人提出自注意力模態(tài)融合的方法,利用Cycle GAN生成跨模態(tài)圖像,使用自注意力模塊區(qū)分原始圖像和生成圖像,使用模態(tài)融合模塊融合特征,使用SoftMax損失監(jiān)督訓練,達到再識別目的。

    本文提出了基于全局和局部特征的方法。首先,采用Cycle GAN網絡對數據集進行轉換和擴充,降低行人體態(tài)變化帶來的影響;在ResNet50網絡的基礎上,設計全局特征對比模塊和局部特征模塊,降低圖像噪聲帶來的影響和行人圖像的遮擋問題帶來的影響;最后,將交叉熵損失和改進的三元組損失以比例加和的形式作為多損失聯合函數,對網絡進行監(jiān)督訓練。采用RGB圖像和IR圖像混合、RGB圖像轉換為IR圖像、IR圖像轉換為RGB圖像三種實驗思路,做了相關實驗。

    1 相關理論介紹

    1.1 Cycle GAN網絡原理

    GAN網絡通過構造生成器和判別器,使2種不同風格的圖像相互學習,相互博弈,不斷地提高其生成能力和鑒別能力,最終將一種風格的圖像生成另外一種風格的圖像,其生成效果非常逼真。雖然GAN網絡的變體模型較多,Cycle GAN網絡采用卷積和反卷積策略,不要求以成對的方式輸入圖像,生成圖像的質量較好,故本文采用Cycle GAN網絡實現RGB圖像和IR圖像之間的轉換和擴充。

    Cycle GAN網絡實現RGB圖像和IR圖像轉換和擴充的原理是:RGB圖像經過生成器(),生成IR圖像,和原有的IR圖像經過判別器(),如原有的IR圖像被判別為真(),生成的IR圖像被判別為假(),Fake-IR圖像再一次經過生成器()生成Cycle-RGB圖像,Cycle-RGB圖像和原始的RGB圖像幾乎一致;同理可知,IR圖像也會轉換為Fake-RGB圖像和Cycle-IR圖像。Fake-RGB圖像和Fake-IR圖像幾乎可以以假亂真。Cycle GAN的對RGB圖像和IR圖像的轉換和擴充示意如圖1所示。

    圖1 Cycle GAN網絡對RGB圖像和IR圖像轉換和擴充的示意圖Fig.1 Schematic diagram of the conversion and augmentation of RGB images and IR images by Cycle GAN network

    1.2 全局特征對比模塊和局部特征模塊

    使用Cycle GAN網絡擴充數據集后,采用雙線性插值算法,將圖像分辨率統(tǒng)一為高384像素,寬128像素。使用擴充后的數據集訓練ResNet50網絡,得到大小為的整體特征圖,將整體特征圖輸入全局特征對比模塊,并將整體特征圖在的層面上沿著劃分出6個相等局部特征區(qū)域,獲得局部特征圖,將局部特征圖輸入局部特征模塊,如圖2所示。

    圖2 圖像通過ResNet50網絡后輸入全局特征對比模塊和局部特征模塊的示意圖Fig.2 The flow chart of global feature comparison module and local feature module after the image passes through the ResNet50 network

    全局特征對比模塊的原理:擴充后的數據集通過ResNet50網絡后得到特征圖,將其作為整體,分別進行全局最大池化和全局平均池化,得到通道數為的特征向量PP;采取P-P方法,使用11的卷積核進行卷積,批處理歸一化,函數激活,得到P;最終將特征圖的通道降低。全局特征對比模塊的原理示意如圖3所示。圖3中,,,分別表示特征圖的高、寬、通道數,_、_分別表示平均池化和最大池化。

    圖3 全局特征對比模塊原理示意圖Fig.3 Schematic diagram of the principle of global feature comparison module

    噪聲在數字圖像中體現為白點,卷積運算的原理是點乘、相加,噪聲同樣參與卷積運算,其影響同樣存在于特征圖和特征向量當中。平均池化和最大池化過程中圖像噪聲影響示意如圖4所示。研究假設圖像經過2個不同的卷積核的卷積運算形成和,假設的、有噪聲的成分,且在數值上大于、,經過最大池化(Max Pooling)所形成的特征值也包含噪聲成分;平均池化(Average Pooling)不同于最大池化,是將的所有值加和平均,含有噪聲的、參與了平均池化運算,形成的特征值也會有噪聲成分。將這2個同時含有噪聲成分的特征值和相減,在一定程度上能夠降低噪聲。因此,全局特征對比模塊中,P-P的方法在一定程度上能夠降低圖像噪聲帶來的影響。

    圖4 平均池化和最大池化過程中圖像噪聲影響的示意圖Fig.4 Schematic illustration of the effect of images noise during Average Pooling and Max Pooling

    局部特征模塊如圖5所示,這里將整體特征圖在層面上沿著方向劃分為6個大小相等的區(qū)域,選擇其中一個區(qū)域全局最大池化,得到特征向量L;其余的5個區(qū)域按順序組合,形成另外一部分特征圖,將這一部分特征圖全局最大池化,得到特征向量R。一方面將LR分別使用11的卷積核進行卷積、批處理歸一化和函數激活操作,得到PQ;另一方面將LR拼接,得到特征向量T,對T使用11的卷積核卷積、批處理歸一化和函數激活操作,得到H。由于將特征圖劃分為6個區(qū)域,每次選擇其中的一個區(qū)域,其余的5個區(qū)域順序組合,這樣選擇局部特征的方式共有6種,即P,Q,T分別有6種,記P={,,,,,},Q={,,,,,},T={,,,,,}。

    圖5 局部特征模塊示意圖Fig.5 Schematic diagram of global feature comparison module

    由于將特征圖均勻分割為6份,選取其中的一份進行運算得到P。假設行人圖像的腿腳區(qū)域被遮擋,而P是頭部區(qū)域運算得到的,這樣通過運算得到的P就降低了遮擋帶來的影響,局部特征模塊在一定程度上能夠降低遮擋對識別模型的影響。

    1.3 多損失聯合

    交叉熵損失經常用于行人再識別中的多分類問題。傳統(tǒng)的三元組損失在于尋找原始樣本、正樣本、負樣本,通過網絡不斷學習,使原始樣本和正樣本之間距離不斷地縮小,和負樣本之間的距離盡可能地增大。難采樣的三元組損失對其改進,所選擇的正樣本和原始樣本之間的距離盡可能遠,負樣本和原始樣本之間距離盡可能近。本文參考難采樣三元組損失,對三元組損失進行修改:假設所選擇的原始樣本是行人的RGB圖像,正樣本選取同一行人的IR圖像,正樣本的背景與行人的動作姿態(tài)和原始樣本的差異盡可能大;負樣本選取不同行人的RGB圖像,且和原始樣本的RGB圖像在背景和行人姿態(tài)方面盡可能相似。改進的三元組損失如圖6所示。圖6中,A表示原始樣本的RGB圖像,N表示和原始樣本的RGB圖像盡可能相似的負樣本圖像,P表示和原始樣本RGB圖像之間的距離盡可能遠的正樣本IR圖像;反之,若原始樣本選取為IR圖像,其正樣本和負樣本的選取策略相似。

    圖6 改進三元組損失示意圖Fig.6 Schematic diagram of improving triple loss

    將交叉熵損失和改進三元組損失以比例加和的形式作為多損失聯合函數,對此可表示為:

    其中,L表示交叉熵損失;L表示改進的三元組損失;參數取正整數。

    2 基于全局和局部特征的跨模態(tài)行人再識別方法的設計

    根據以上原理,本文設計了基于全局和局部特征的跨模態(tài)行人再識別的網絡結構,如圖7所示。由圖7可知,首先利用數據集訓練Cycle GAN網絡,分別將所有的RGB圖像轉換為IR圖像,所有的IR圖像轉換為RGB圖像。將同一行人生成的圖像和原始的圖像視作擁有同樣的行人身份,對圖像進行鏡像、裁剪、顏色變換操作,以進一步擴充數據集。接著使用擴充后的數據集訓練ResNet50網絡,得到整體特征圖,一方面將整體特征圖輸入全局特征對比模塊;另一方面將整體特征圖輸入局部特征模塊。最后,使用多損失聯合函數對網絡進行監(jiān)督訓練。

    圖7 基于全局和局部特征的跨模態(tài)行人再識別方法的網絡結構圖Fig.7 Network architecture diagram of cross-modal pedestrians re-identification method based on global and local features

    Cycle GAN網絡實現RGB圖像和IR圖像之間的轉換和擴充后,將同一行人生成的圖像和原始的圖像視作擁有相同的行人身份,并進行鏡像、裁剪、顏色變換操作,以進一步擴充數據集。將所有圖像的分辨率統(tǒng)一調整為128×384,將生成的圖像和原始的圖像一同輸入到ResNet50網絡中進行訓練,得到通道數為2 048的整體特征圖。一方面,將整體特征圖輸入全局特征對比模塊,在得到通道數為2 048的特征向量PP后,采取P-P方法,使用256個1×1的卷積核進行卷積,批處理歸一化,函數激活,得到P,最終將特征圖的通道降低到256;另一方面,將整體特征圖輸入局部特征模塊,在得到通道數為2048的特征向量LR后,使用256個1×1的卷積核進行卷積、批處理歸一化和函數激活操作,得到PQ,將特征圖的通道數降低到256;將LR拼接,得到T,對T使用256個1×1的卷積核進行卷積、批處理歸一化和函數激活操作,得到H,將特征圖的通道數降低到256;最后,使用多損失聯合函數對網絡監(jiān)督訓練,其中參數取正整數。

    3 實驗仿真

    本文實驗均在PyTorch框架下運行。設定為64;設定為200;初始學習率設定為0001,從第50個開始進行衰減,衰減系數為01;多損失聯合函數的參數取正整數。

    評估指標選擇常見的累計匹配特性(CMC)曲線的1、10、20和平均準確率均值()。指標越高,表示模型的識別效果越好。

    3.1 數據集

    (1)數據集SYSU-MM01。分為室內模式和室外模式,共包含287 628張RGB圖像,15 792張IR圖像,共計491個行人。本文實驗選取其中的395個行人的圖像用于訓練和驗證,剩余的96個行人的圖像用于測試,并對其多次劃分,減小模型訓練結果的誤差,部分圖像示例如圖8所示。

    圖8 數據集SYSU-MM01部分圖像示例圖Fig.8 Example images of part of SYSU-MM01 dataset

    (2)數據集RegDB。包含8 240張行人圖像,412個行人,每個行人10張RGB圖像、10張IR圖像。本文實驗對數據集多次劃分,一半用于訓練和驗證,另一半用于測試,減小模型訓練結果的誤差,部分示例圖像如圖9所示。

    圖9 數據集RegDB的部分圖像示例圖Fig.9 Example images of part of RegDB dataset

    3.2 實驗結果與分析

    3.2.1 Cycle GAN網絡對不同模態(tài)圖像的轉換結果以Cycle GAN網絡訓練RegDB數據集為例,損失曲線如圖10所示。圖10中,_的曲線表示判別器()的損失;_的曲線表示生成器()的損失;_的曲線表示圖像經過生成器()生成圖像后,由再經過生成器()生成的圖像,和原始的圖像相比較的損失;_的曲線表示判別器()的損失;_的曲線表示生成器()的損失;_的曲線表示圖像經過生成器()生成圖像,由圖像經過生成器()生成的圖像,和原始的圖像相比較的損失;_的曲線表示將圖像輸入生成器()生成的圖像和原始的圖像相比較的損失,主要用于判斷生成器()對輸入的圖像能否判斷為其自身;_的曲線表示將圖像輸入生成器()生成的圖像和原始的圖形相比較的損失,主要用于判斷生成器()對輸入的圖像能否判斷為其自身。

    圖10 Cycle GAN訓練RegDB數據集損失曲線圖Fig.10 Loss curve of Cycle GAN training RegDB dataset

    在選取生成器對數據集轉換之前,綜合考慮每一組模型的各個損失,使其盡可能小。本次實驗選取為75的一組模型,其中,判別器()的損失為0232;生成器()的損失為0418;圖像經過生成器()生成圖像后,由再經過生成器()生成的圖像,和原始的圖像相比較的損失為0540;圖像輸入生成器()生成的圖像和原始圖像相比較的損失為0123;判別器()的損失為0248,生成器()的損失為0256;圖像經過生成器()生成圖像,由圖像經過生成器()生成的圖像,和原始的圖像相比較的損失為0229;圖像輸入生成器()生成的圖像和原始的圖像相比較的損失為0217。

    數據集RegDB經過Cycle GAN網絡轉換后的部分圖像示意如圖11所示。圖11中,第一行人物圖像的圖像相比于圖像,輪廓和動作更加清晰,圖像、圖像與原始的圖像幾乎沒有大的變化;第二行人物圖像的圖像相比圖像,衣著和背包顯得更加清晰,圖像、圖像與原始圖像幾乎一致;第三行人物圖像的圖像相比于圖像,輪廓更為清晰。圖像轉換為圖像,在圖像背景、人物衣著等有所變化,肢體動作等幾乎保持原樣,這類情況可以看作同一行人穿著不同顏色的衣服,在不同的光照條件下被攝像頭捕捉到。因此,數據集通過Cycle GAN網絡的轉換和擴充,一方面增加了圖像的數據量,另一方面增加了圖像的輪廓等細節(jié),這有助于降低跨模態(tài)行人再識別中行人的姿態(tài)變化帶來的影響。

    圖11 數據集RegDB經過Cycle GAN網絡轉換后的部分圖像示意圖Fig.11 Schematic diagram of some images of RegDB dataset transformed by the Cycle GAN

    3.2.2 在SYSU-MM01數據集上的識別結果與分析

    在數據集SYSU-MM01上識別測試有單擊和多擊兩種模式。其中,單擊模式選取所有的IR圖像作為,并隨機選取對應行人的一張RGB圖像組成;在多擊模式中,的選取和單擊模式一致,是每個行人選取10張對應的RGB圖像。室內場景下環(huán)境條件較為理想,圖像質量較高;室外場景下行人圖像的光照變化較大,存在遮擋現象,再識別難度較大。相比之下,單擊模式更有實際意義,本次測試不論在室內模式、還是全搜索模式均采用單擊模式。因該數據集存在部分行人缺失RGB圖像或者IR圖像的現象,因此研究中采用RGB圖像和IR圖像混合的方式進行實驗。本文方法(ALL)的識別精度和其他方法的對比見表1。

    表1 在SYSU-MM01數據集上單擊模式的識別精度和其他方法對比Tab.1 Comparison of the recognition accuracy between single-click patterns and other methods on SYSU-MM01 dataset %

    在全搜索場景下的單擊模式,本文方法利用Cycle GAN網絡對數據集SYSU-MM01擴充和轉換,將生成的RGB圖像、IR圖像和原始的圖像一同輸入到ResNet50網絡中進行訓練;將特征圖分別輸入到全局特征對比模塊和局部特征模塊,使用參數為2的多損失聯合函數進行監(jiān)督訓練,模型效果達到最好。本文方法(ALL)和Align GAN方法相比1指標提高了1.4%,10指標提高了1.34%;和HPILN方法相比20指標提高了1.12%,值提高了2.18%。在SYSU-MM01數據集上測試時部分圖像的識別結果如圖12所示。

    圖12 在SYSU-MM01數據集上測試時部分圖像的識別結果圖Fig.12 Recognition results of some images when tested on SYSUMM01 dataset

    3.2.3 在RegDB數據集上的識別結果與分析

    在數據集RegDB上測試時,測試集中所有的IR圖像組成,所有對應的RGB圖像組成,識別精度和其他方法的對比見表2。

    由表2可知,本文方法(ALL)使用參數為3的多損失聯合函數進行監(jiān)督訓練,模型精度最高。本文方法(ALL)的10指標達到了8903,比MACE方法提高了0.63%,值達到69.26%,比DFE方法提高了0.12%。

    表2 在RegDB數據集上的識別精度和其他方法的對比Tab.2 Comparison of recognition accuracy with other methods on RegDB dataset %

    本文方法(IR)和本文方法(RGB)是分別利用Cycle GAN網絡將數據集RegDB的RGB圖像轉換為IR圖像、IR圖像轉換為RGB圖像,將原始的圖像和轉換后的圖像一同輸入到ResNet50網絡中訓練,將特征圖分別輸入到全局特征對比模塊和局部特征模塊,并使用參數為2的多損失聯合函數監(jiān)督訓練,模型識別效果較好。指標分別達到了65.28%和62.96%,1指標分別達到67.16%和66.67%,10指標分別達到了86.47%和81.67%,接近MACE、DFE方法,20指標分別達到91.06%和90.23%,與本文方法(ALL)較為接近。

    在RegDB數據集上測試時部分圖像的識別結果如圖13所示。圖13中,圖13(b)中的藍色框部分的圖像表示識別正確的圖像,紅色框部分的圖像表示識別錯誤的圖像。從識別錯誤的圖像看出,識別錯誤的RGB圖像在輪廓和姿勢等方面都比較接近IR圖像。

    圖13 在RegDB數據集上測試時部分圖像的識別結果圖Fig.13 Plot of recognition results for some images when tested on RegDB dataset

    3.2.4 在RegDB數據集上的消融實驗結果與分析

    數據集RegDB的圖像分布比較均勻,沒有極低質量的圖像,每個行人的圖像之間較為相似,姿態(tài)變化較小。因此,在數據集RegDB進行消融實驗,識別精度和其他方法對比見表3。

    表3 在RegDB數據集上消融實驗的結果Tab.3 Results of ablation experiments on RegDB dataset %

    在消融實驗當中,使用原始數據集RegDB訓練ResNet50網絡得到特征圖,將特征圖輸入全局特征對比模塊和局部特征模塊,采用參數為3的多損失聯合函數進行監(jiān)督訓練,與單獨使用ResNet50網絡,采用參數為3的多損失聯合函數進行監(jiān)督訓練的方法相比,、1、10和20指標都有大幅度的提高,證明了全局特征對比模塊和局部特征模塊有助于提高模型的精度。

    使用原始數據集RegDB訓練ResNet50網絡得到特征圖,將特征圖輸入全局特征對比模塊和局部特征模塊,采用參數為3的多損失聯合函數進行監(jiān)督訓練。和使用單個的交叉熵損失或改進的三元組損失監(jiān)督訓練的方法相比較,1指標分別從4732、5141提高到6453;10指標分別從6531、7552提高到8243;20指標分別從7510、8420提高到8793;值則分別從4923、5033提高到6362,證明了本文的參數為3的多損失聯合函數有助于提高模型的精度。

    本文方法(IR)和本文方法(RGB)是使用Cycle GAN網絡將數據集分別轉換為IR圖像和RGB圖像,輸入到ResNet50網絡得到特征圖,將特征圖輸入全局特征對比模塊和局部特征模塊,采用參數為2的多損失聯合函數進行監(jiān)督訓練,和不使用Cycle GAN網絡對數據集轉換的方法相比較,1指標從5321分別提高到6673和6723;10指標從7283分別提高到8163和8642;20指 標從8204分 別提高 到9020和9103,接近本文方法(ALL)的9262;值從5233分別提高到6292和6524,證明本文使用Cycle GAN網絡將RegDB數據集統(tǒng)一轉換為RGB圖像或IR圖像的方法同樣對模型的識別精度有一定程度的提高。

    本文方法(ALL)和不使用Cycle GAN網絡對數據集擴充和轉換的方法相比較,1指標從6453提高到7422;10指標從8243提高到8903;20指標從8793提高到9262,指標從6362提高到6924,證明了采用Cycle GAN網絡擴充和轉換的數據集,對于網絡模型的識別精度有較大程度的提高,同時也驗證了本文方法(ALL)的有效性。

    4 結束語

    本文提出了基于全局和局部特征的跨模態(tài)行人重識別方法。使用Cycle GAN網絡對數據集擴充和轉換,來降低同一行人的RGB-IR圖像的姿態(tài)變化帶來的影響;全局特征對比模塊和局部特征模塊分別降低圖像噪聲和行人遮擋現象帶來的影響;將改進的三元組損失和交叉熵損失以比例加和的形式作為多損失聯合函數,進行監(jiān)督訓練;探索多損失聯合函數參數取不同的值,對模型精度的影響;分別采取RGB圖像和IR圖像聯合實驗、RGB圖像轉換為IR圖像實驗、IR圖像轉為RGB圖像實驗。在當前的SYSU-MM01、RegDB數據集上與當前多數方法相比,識別準確率有一定程度的提升。通過消融實驗論證了Cycle GAN網絡不論是數據集的擴充,還是將其統(tǒng)一轉換為RGB圖像或IR圖像,對于網絡模型的識別精度都有一定程度的提升。但是,Cycle GAN網絡在IR圖像轉換為RGB圖像時,轉換的圖像有一定的失真,噪聲也較大;單流網絡架構對于RGB-IR圖像的跨模態(tài)行人再識別存在一定的局限性。因此,生成對抗網絡對于RGB-IR圖像數據集的擴充和轉換、圖像噪聲的抑制、更好的網絡模型及損失函數的探索可能是未來RGB-IR圖像跨模態(tài)行人再識別研究的熱點。

    猜你喜歡
    全局行人損失
    Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
    少問一句,損失千金
    量子Navier-Stokes方程弱解的全局存在性
    胖胖損失了多少元
    毒舌出沒,行人避讓
    意林(2021年5期)2021-04-18 12:21:17
    路不為尋找者而設
    揚子江(2019年1期)2019-03-08 02:52:34
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    落子山東,意在全局
    金橋(2018年4期)2018-09-26 02:24:54
    我是行人
    一般自由碰撞的最大動能損失
    久久久久久伊人网av| 永久网站在线| 最近最新中文字幕大全免费视频 | 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产一区二区 视频在线| 高清欧美精品videossex| 日韩中文字幕欧美一区二区 | 女人被躁到高潮嗷嗷叫费观| 成年动漫av网址| 欧美日韩综合久久久久久| 国产精品无大码| 男女高潮啪啪啪动态图| 欧美精品亚洲一区二区| 久久精品国产亚洲av天美| 午夜免费观看性视频| 日本免费在线观看一区| 亚洲激情五月婷婷啪啪| 久久精品国产自在天天线| 国产欧美日韩综合在线一区二区| 午夜免费观看性视频| 18+在线观看网站| 亚洲国产看品久久| 国产精品国产av在线观看| 久久av网站| 国产免费现黄频在线看| 国产成人精品福利久久| 九草在线视频观看| av.在线天堂| 国产女主播在线喷水免费视频网站| 婷婷色麻豆天堂久久| 成年美女黄网站色视频大全免费| 丝袜人妻中文字幕| 26uuu在线亚洲综合色| 亚洲欧洲国产日韩| 大香蕉久久成人网| √禁漫天堂资源中文www| 国产亚洲欧美精品永久| 国产精品 欧美亚洲| 777米奇影视久久| 美女xxoo啪啪120秒动态图| 久久久久人妻精品一区果冻| 黑人欧美特级aaaaaa片| 一级毛片我不卡| 一区二区三区激情视频| 乱人伦中国视频| 国产淫语在线视频| 国产在线免费精品| 宅男免费午夜| 大陆偷拍与自拍| 亚洲成色77777| 大话2 男鬼变身卡| 午夜av观看不卡| 久久久久久伊人网av| www.熟女人妻精品国产| 日本av手机在线免费观看| 欧美日韩精品网址| 女人被躁到高潮嗷嗷叫费观| 亚洲三级黄色毛片| 深夜精品福利| 看十八女毛片水多多多| 天天躁夜夜躁狠狠久久av| 亚洲美女黄色视频免费看| 国产一区二区三区av在线| 桃花免费在线播放| 精品一区二区免费观看| 精品国产一区二区久久| 欧美日韩精品成人综合77777| 69精品国产乱码久久久| 99香蕉大伊视频| 人人妻人人澡人人看| 国产精品亚洲av一区麻豆 | 亚洲国产av新网站| 少妇人妻 视频| 可以免费在线观看a视频的电影网站 | 亚洲国产成人一精品久久久| 老司机影院成人| 2022亚洲国产成人精品| 99久久中文字幕三级久久日本| 黑人猛操日本美女一级片| 中国国产av一级| 日本爱情动作片www.在线观看| 春色校园在线视频观看| 一边摸一边做爽爽视频免费| 欧美成人午夜免费资源| 免费少妇av软件| 国产毛片在线视频| 国产精品一区二区在线不卡| 国产综合精华液| 美女国产高潮福利片在线看| 如何舔出高潮| 天天影视国产精品| 亚洲精品自拍成人| 久久99热这里只频精品6学生| 女人被躁到高潮嗷嗷叫费观| 国产高清不卡午夜福利| 欧美中文综合在线视频| 亚洲欧美精品综合一区二区三区 | 免费人妻精品一区二区三区视频| 黑人欧美特级aaaaaa片| 男女午夜视频在线观看| 欧美xxⅹ黑人| 国产精品一区二区在线不卡| 欧美成人精品欧美一级黄| 国产在线免费精品| 又粗又硬又长又爽又黄的视频| 国产精品久久久久久精品电影小说| 国产午夜精品一二区理论片| 久久精品久久久久久噜噜老黄| 亚洲成人手机| 免费黄频网站在线观看国产| 婷婷色麻豆天堂久久| 在线观看美女被高潮喷水网站| 老汉色∧v一级毛片| 岛国毛片在线播放| 亚洲av福利一区| 九色亚洲精品在线播放| 九草在线视频观看| 国产激情久久老熟女| 国产黄色视频一区二区在线观看| 在线天堂中文资源库| 精品国产一区二区久久| 亚洲av免费高清在线观看| 久久精品熟女亚洲av麻豆精品| 日韩一本色道免费dvd| 成人18禁高潮啪啪吃奶动态图| 女的被弄到高潮叫床怎么办| 看十八女毛片水多多多| 国产亚洲欧美精品永久| 黄网站色视频无遮挡免费观看| 在线天堂中文资源库| 菩萨蛮人人尽说江南好唐韦庄| 2021少妇久久久久久久久久久| 日韩电影二区| 久久久久精品久久久久真实原创| 欧美 亚洲 国产 日韩一| 青春草视频在线免费观看| 日韩一本色道免费dvd| 国产成人av激情在线播放| 韩国精品一区二区三区| 亚洲av中文av极速乱| 我的亚洲天堂| 九九爱精品视频在线观看| 精品国产露脸久久av麻豆| 一级片'在线观看视频| 在线免费观看不下载黄p国产| 人人妻人人爽人人添夜夜欢视频| 国产精品人妻久久久影院| 最近2019中文字幕mv第一页| 久久精品人人爽人人爽视色| 中国三级夫妇交换| 亚洲三区欧美一区| 精品国产乱码久久久久久男人| 男女边吃奶边做爰视频| 国产爽快片一区二区三区| 一级毛片黄色毛片免费观看视频| 日韩成人av中文字幕在线观看| www.自偷自拍.com| 1024视频免费在线观看| 亚洲综合精品二区| 亚洲国产精品999| 国产国语露脸激情在线看| 日韩免费高清中文字幕av| 久久婷婷青草| 亚洲欧洲国产日韩| 韩国av在线不卡| 久久久国产精品麻豆| 在线观看三级黄色| 伊人久久大香线蕉亚洲五| av.在线天堂| 国产高清国产精品国产三级| 成年av动漫网址| 成年美女黄网站色视频大全免费| 国精品久久久久久国模美| 老女人水多毛片| 亚洲av欧美aⅴ国产| 国产精品女同一区二区软件| 欧美av亚洲av综合av国产av | 久久久久久久久免费视频了| 免费少妇av软件| 超色免费av| 久久午夜福利片| 成年动漫av网址| 中文字幕人妻熟女乱码| 国产黄色视频一区二区在线观看| 国产熟女欧美一区二区| 亚洲精品久久午夜乱码| 午夜福利一区二区在线看| 五月伊人婷婷丁香| 欧美精品亚洲一区二区| 国产熟女欧美一区二区| 日日爽夜夜爽网站| 午夜免费男女啪啪视频观看| 日韩三级伦理在线观看| 纯流量卡能插随身wifi吗| 成年美女黄网站色视频大全免费| 国产免费视频播放在线视频| 成年女人在线观看亚洲视频| 中文字幕人妻熟女乱码| 国产日韩欧美视频二区| 纵有疾风起免费观看全集完整版| 久久午夜福利片| 午夜免费男女啪啪视频观看| 成人黄色视频免费在线看| 国产人伦9x9x在线观看 | 在线天堂中文资源库| 这个男人来自地球电影免费观看 | 亚洲情色 制服丝袜| 国产日韩欧美视频二区| 欧美人与善性xxx| 91aial.com中文字幕在线观看| 搡老乐熟女国产| 人妻系列 视频| 热99久久久久精品小说推荐| av网站免费在线观看视频| 国产男女内射视频| 久久久久精品性色| 蜜桃在线观看..| 欧美精品一区二区免费开放| 亚洲国产色片| 最近中文字幕2019免费版| 国产亚洲最大av| 黑人巨大精品欧美一区二区蜜桃| 午夜av观看不卡| 五月天丁香电影| 国产在线免费精品| 我的亚洲天堂| 蜜桃在线观看..| 99热网站在线观看| 999精品在线视频| 精品国产乱码久久久久久男人| 亚洲国产精品一区三区| 久久国产精品男人的天堂亚洲| 亚洲精品国产av蜜桃| 国产成人精品久久二区二区91 | 成年女人毛片免费观看观看9 | 啦啦啦视频在线资源免费观看| 久久这里有精品视频免费| 一区在线观看完整版| 国产精品嫩草影院av在线观看| 岛国毛片在线播放| 天堂8中文在线网| 国产日韩欧美在线精品| 七月丁香在线播放| 韩国精品一区二区三区| 最黄视频免费看| a 毛片基地| 久久国产精品大桥未久av| 成人漫画全彩无遮挡| 日本91视频免费播放| 男人操女人黄网站| 99热全是精品| 成人毛片a级毛片在线播放| 啦啦啦视频在线资源免费观看| 考比视频在线观看| 一本—道久久a久久精品蜜桃钙片| 亚洲成人一二三区av| 男女下面插进去视频免费观看| 卡戴珊不雅视频在线播放| 人妻 亚洲 视频| 国产一区二区在线观看av| 日韩中文字幕欧美一区二区 | 色网站视频免费| 中文字幕最新亚洲高清| 免费少妇av软件| 久久久精品国产亚洲av高清涩受| 18禁动态无遮挡网站| 欧美精品人与动牲交sv欧美| 亚洲精品国产av成人精品| 亚洲在久久综合| 97在线视频观看| 极品少妇高潮喷水抽搐| 国产极品粉嫩免费观看在线| 老司机靠b影院| 老鸭窝网址在线观看| 黑人操中国人逼视频| 亚洲成人国产一区在线观看| 色综合欧美亚洲国产小说| 国产精品综合久久久久久久免费 | 啪啪无遮挡十八禁网站| 亚洲专区字幕在线| av有码第一页| 两个人看的免费小视频| 国产精品久久久人人做人人爽| 少妇的丰满在线观看| 99久久久亚洲精品蜜臀av| 午夜福利在线观看吧| 久久精品亚洲精品国产色婷小说| 亚洲av电影在线进入| 国产精品一区二区免费欧美| 亚洲,欧美精品.| 久久久国产一区二区| 国产亚洲精品第一综合不卡| aaaaa片日本免费| 麻豆久久精品国产亚洲av | 丝袜在线中文字幕| 久久精品亚洲av国产电影网| 亚洲熟女毛片儿| 最近最新中文字幕大全免费视频| 亚洲va日本ⅴa欧美va伊人久久| 视频区欧美日本亚洲| 人人妻人人添人人爽欧美一区卜| 亚洲第一青青草原| 天堂影院成人在线观看| 国产av一区二区精品久久| 97超级碰碰碰精品色视频在线观看| 久久久久久人人人人人| 波多野结衣一区麻豆| 亚洲欧美精品综合一区二区三区| 一级片免费观看大全| 在线观看免费高清a一片| 亚洲av成人av| 欧美最黄视频在线播放免费 | 欧美中文综合在线视频| 欧美黑人精品巨大| 黑人猛操日本美女一级片| 啦啦啦免费观看视频1| 日本vs欧美在线观看视频| 老熟妇仑乱视频hdxx| 午夜免费激情av| 一级a爱视频在线免费观看| 亚洲av第一区精品v没综合| 韩国av一区二区三区四区| 欧美日韩中文字幕国产精品一区二区三区 | 三级毛片av免费| 少妇粗大呻吟视频| 成年人黄色毛片网站| 亚洲色图av天堂| 免费观看人在逋| 韩国av一区二区三区四区| 日韩三级视频一区二区三区| 脱女人内裤的视频| 日韩三级视频一区二区三区| 免费一级毛片在线播放高清视频 | 国产色视频综合| 激情在线观看视频在线高清| cao死你这个sao货| 色老头精品视频在线观看| 日韩欧美免费精品| 欧美国产精品va在线观看不卡| 香蕉丝袜av| 亚洲欧美一区二区三区久久| 精品国产乱码久久久久久男人| 国产熟女xx| 国产一区二区三区在线臀色熟女 | 男女下面插进去视频免费观看| 欧美乱色亚洲激情| 免费女性裸体啪啪无遮挡网站| 麻豆一二三区av精品| 婷婷六月久久综合丁香| 国产高清国产精品国产三级| 国产成年人精品一区二区 | 亚洲人成77777在线视频| 一区二区三区国产精品乱码| 成人免费观看视频高清| 亚洲中文日韩欧美视频| 免费高清在线观看日韩| 午夜91福利影院| 欧美老熟妇乱子伦牲交| 麻豆国产av国片精品| av超薄肉色丝袜交足视频| e午夜精品久久久久久久| 欧美 亚洲 国产 日韩一| 国产野战对白在线观看| 精品少妇一区二区三区视频日本电影| 男女床上黄色一级片免费看| 少妇的丰满在线观看| 色哟哟哟哟哟哟| 欧美日韩乱码在线| 淫妇啪啪啪对白视频| 一级a爱片免费观看的视频| 久久香蕉激情| 欧美日韩精品网址| 久久久国产精品麻豆| 正在播放国产对白刺激| av天堂在线播放| 又大又爽又粗| 99精品在免费线老司机午夜| 新久久久久国产一级毛片| 在线观看免费日韩欧美大片| 亚洲自偷自拍图片 自拍| 一二三四社区在线视频社区8| 久久精品国产99精品国产亚洲性色 | 日日干狠狠操夜夜爽| 亚洲va日本ⅴa欧美va伊人久久| 日韩欧美免费精品| a级毛片黄视频| 国产成人精品无人区| 亚洲av五月六月丁香网| www.www免费av| 国产成人av激情在线播放| 免费av毛片视频| 最近最新中文字幕大全电影3 | 黄色 视频免费看| 久久久国产成人免费| 少妇粗大呻吟视频| 色婷婷av一区二区三区视频| 美女午夜性视频免费| 老司机福利观看| 亚洲精品久久成人aⅴ小说| 欧洲精品卡2卡3卡4卡5卡区| 久久精品国产清高在天天线| 50天的宝宝边吃奶边哭怎么回事| 国产一区二区在线av高清观看| 美女福利国产在线| 国内毛片毛片毛片毛片毛片| 亚洲av五月六月丁香网| 在线观看免费日韩欧美大片| 日韩免费av在线播放| bbb黄色大片| 最好的美女福利视频网| 精品欧美一区二区三区在线| 国产精品国产av在线观看| xxx96com| 久久精品人人爽人人爽视色| 老司机深夜福利视频在线观看| 日韩欧美免费精品| av免费在线观看网站| 又大又爽又粗| 国产欧美日韩一区二区三区在线| 最新在线观看一区二区三区| 国产主播在线观看一区二区| 我的亚洲天堂| 天天添夜夜摸| 亚洲av五月六月丁香网| 国产色视频综合| ponron亚洲| 两人在一起打扑克的视频| 国产在线观看jvid| 国产精品 欧美亚洲| 欧美黄色片欧美黄色片| 一级毛片高清免费大全| 精品国产乱码久久久久久男人| 欧美人与性动交α欧美软件| 色精品久久人妻99蜜桃| 亚洲一区二区三区色噜噜 | 亚洲中文字幕日韩| 免费在线观看黄色视频的| 日本免费一区二区三区高清不卡 | 女人精品久久久久毛片| 一级a爱片免费观看的视频| 国产成人啪精品午夜网站| 国产精品免费一区二区三区在线| 亚洲色图综合在线观看| 国产av精品麻豆| 亚洲va日本ⅴa欧美va伊人久久| 亚洲aⅴ乱码一区二区在线播放 | 交换朋友夫妻互换小说| 亚洲成人免费电影在线观看| av福利片在线| 国产精品久久久av美女十八| 国产片内射在线| 国产成年人精品一区二区 | 国产精品免费一区二区三区在线| 亚洲第一欧美日韩一区二区三区| 18禁国产床啪视频网站| 精品久久久久久久久久免费视频 | 丰满迷人的少妇在线观看| 亚洲精品粉嫩美女一区| 99国产精品一区二区三区| 亚洲黑人精品在线| 黄色 视频免费看| 日本vs欧美在线观看视频| 啦啦啦免费观看视频1| 成人影院久久| 日本黄色日本黄色录像| 欧美人与性动交α欧美软件| 国产精品 国内视频| 欧美亚洲日本最大视频资源| 99久久精品国产亚洲精品| avwww免费| 久久国产精品人妻蜜桃| 女性生殖器流出的白浆| 亚洲专区字幕在线| 桃红色精品国产亚洲av| 欧美+亚洲+日韩+国产| 亚洲第一欧美日韩一区二区三区| 欧美激情 高清一区二区三区| 亚洲在线自拍视频| 国内毛片毛片毛片毛片毛片| 国产亚洲av高清不卡| 一级作爱视频免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 成人18禁在线播放| videosex国产| 国产精品国产高清国产av| 久久精品亚洲av国产电影网| 最好的美女福利视频网| svipshipincom国产片| 啦啦啦 在线观看视频| 一本大道久久a久久精品| 久久久久久久久久久久大奶| 欧美一区二区精品小视频在线| 色婷婷av一区二区三区视频| 日韩欧美一区二区三区在线观看| 99国产精品99久久久久| 一级片免费观看大全| 激情视频va一区二区三区| 99香蕉大伊视频| 国产在线观看jvid| 我的亚洲天堂| 一夜夜www| 动漫黄色视频在线观看| 亚洲成a人片在线一区二区| 国产高清激情床上av| 黄色怎么调成土黄色| 中文字幕人妻丝袜制服| 午夜两性在线视频| 免费不卡黄色视频| 在线永久观看黄色视频| 亚洲av片天天在线观看| 国产成人精品久久二区二区91| 夜夜看夜夜爽夜夜摸 | 动漫黄色视频在线观看| 最新在线观看一区二区三区| 国产精品免费一区二区三区在线| 国产成人精品久久二区二区免费| 国产精品久久视频播放| 大型黄色视频在线免费观看| 久久精品国产99精品国产亚洲性色 | 天天躁狠狠躁夜夜躁狠狠躁| 9色porny在线观看| 午夜亚洲福利在线播放| 日本黄色视频三级网站网址| e午夜精品久久久久久久| 他把我摸到了高潮在线观看| 精品国产国语对白av| a级毛片在线看网站| 自线自在国产av| av网站在线播放免费| 99精品欧美一区二区三区四区| 久久人妻av系列| 99精品欧美一区二区三区四区| 日本三级黄在线观看| 在线观看免费高清a一片| 国产一区二区三区综合在线观看| 脱女人内裤的视频| 日本黄色日本黄色录像| 在线观看免费高清a一片| 日韩视频一区二区在线观看| 国产精品 欧美亚洲| av国产精品久久久久影院| www.999成人在线观看| 中文字幕av电影在线播放| 久久久水蜜桃国产精品网| 欧美最黄视频在线播放免费 | 色精品久久人妻99蜜桃| 国产亚洲av高清不卡| tocl精华| 自线自在国产av| 最新在线观看一区二区三区| 国产av在哪里看| 中文字幕色久视频| 午夜福利欧美成人| 中文字幕最新亚洲高清| www.999成人在线观看| 日日摸夜夜添夜夜添小说| 国产av精品麻豆| 在线十欧美十亚洲十日本专区| 一个人观看的视频www高清免费观看 | 色综合站精品国产| 国产成+人综合+亚洲专区| 狠狠狠狠99中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 在线观看免费午夜福利视频| 国产不卡一卡二| 日日摸夜夜添夜夜添小说| av超薄肉色丝袜交足视频| 久久人人97超碰香蕉20202| 国产精品 欧美亚洲| 亚洲性夜色夜夜综合| 精品一区二区三区视频在线观看免费 | 国产一卡二卡三卡精品| 一本大道久久a久久精品| 99在线视频只有这里精品首页| av欧美777| 男男h啪啪无遮挡| 18禁裸乳无遮挡免费网站照片 | 亚洲va日本ⅴa欧美va伊人久久| 一区在线观看完整版| 国产不卡一卡二| 在线国产一区二区在线| 亚洲国产欧美一区二区综合| 亚洲精品一区av在线观看| 午夜免费鲁丝| 日韩人妻精品一区2区三区| 日韩精品青青久久久久久| 正在播放国产对白刺激| 国产伦人伦偷精品视频| 12—13女人毛片做爰片一| 国产精品永久免费网站| 欧美日韩亚洲综合一区二区三区_| 国产一区二区三区视频了| 亚洲男人的天堂狠狠| 90打野战视频偷拍视频| 亚洲成人免费电影在线观看| 欧美成人免费av一区二区三区| 国产黄a三级三级三级人| 777久久人妻少妇嫩草av网站| 操美女的视频在线观看| 国产一区二区三区综合在线观看| 亚洲欧美精品综合一区二区三区| 亚洲一区高清亚洲精品| 欧美激情极品国产一区二区三区| 国产精品98久久久久久宅男小说| 久久久精品国产亚洲av高清涩受| 91麻豆精品激情在线观看国产 | 国产av又大| 国产高清激情床上av| 成人永久免费在线观看视频| 在线观看免费午夜福利视频| 亚洲成人国产一区在线观看| 亚洲一区二区三区不卡视频| a级毛片在线看网站| 成人av一区二区三区在线看| 欧美丝袜亚洲另类 |