检索结果-南通市图书馆

HER2、p53、ERCC1等分子指标在子宫内膜癌中的表达及临床意义

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

HER2、p53、ERCC1等分子指标在子宫内膜癌中的表达及临床意义

作者：王思颖扬州大学

学位级别：硕士

目的:子宫内膜癌是我国女性生殖系统的第二大恶性肿瘤,目前其发病率逐渐上升,且发病年龄越来越年轻化。近年来随着分子检测技术的进步,分子指标被越来越广泛的应用于指导术后辅助治疗和评估患者预后。本研究选取五个肿瘤相关分子指标(ER... 详细信息

目的:子宫内膜癌是我国女性生殖系统的第二大恶性肿瘤,目前其发病率逐渐上升,且发病年龄越来越年轻化。近年来随着分子检测技术的进步,分子指标被越来越广泛的应用于指导术后辅助治疗和评估患者预后。本研究选取五个肿瘤相关分子指标(ER、PR、p53、Ki67、HER2)以及三个耐药相关分子指标(ERCC1、P-gp、GST-π),探究其与子宫内膜癌临床病理特征及预后的关系,旨在识别高危子宫内膜癌相关的危险因素,为EC患者的治疗及预后提供更好的评估方案。方法:本文选取江苏省苏北人民医院自2014年06月至2022年06月收治的子宫内膜癌患者作为研究对象,依照排纳标准进行筛选,共获得291例符合标准的病例,回顾性分析其一般资料及临床病理特征,并对2014年6月至2019年12月手术的患者进行随访。本研究首先采用Spearman相关性分析比较分子指标与EC临床病理特征之间的关系,并对HER2、p53、ERCC1三者之间的关联进行分析;其次,采用多因素Logistic回归分析明确影响淋巴结转移的危险因素;最后绘制Kaplan-Meier曲线,进行LogRank检验,构建Cox 比例风险回归模型,探究影响EC患者PFS及OS的危险因素。结果:1.分子指标与EC临床病理特征的相关性:ER、PR的表达水平均与病理分型、组织学分级、肿瘤FIGO分期、肌层浸润深度及脉管侵袭情况呈负相关(P0.05)。***2、p53、ERCC1之间的关联:p53与HER2的表达呈正相关(P=0.001,Rs=0.195),p53 与 ERCC1 的表达亦呈显著正相关(P<0.001,Rs=0.253),但HER2与ERCC1之间无明显相关性(P=0.238,Rs=0.076)。3.子宫内膜癌伴有淋巴结转移的危险因素:组织学分级、病理分型、肿瘤分期、肌层浸润深度、脉管侵袭情况及HER2、Ki67、p53的表达水平均是影响EC淋巴结转移的危险因素(P<0.05),其中HER2及p53高表达、肿瘤分期晚是EC发生淋巴结转移的独立危险因素。4.子宫内膜癌预后分析:肿瘤FIGO分期晚、HER2高表达均是不利于PFS及OS的独立危险因素,且ER低表达也是影响PFS的危险因素。结论:***、PR的表达水平与组织分级、肿瘤FIGO分期、肌层浸润深度、脉管侵犯程度呈负相关;而p53、HER2、Ki67的表达水平与组织分级、FIGO分期、肌层浸润深度、脉管侵犯程度、淋巴结转移呈正相关。ER、PR的下调及p53、HER2的上调均与Ⅱ型子宫内膜癌相关。另外,ERCC1的表达水平与肿瘤FIGO分期呈负相关,GST-π高表达与Ⅱ型子宫内膜癌相关,P-gp的表达与子宫内膜癌的病理特征无明显相关。2.p53与HER2之间、p53与ERCC1之间分别存在显著正相关,关注突变型p53中HER2过表达的患者、联合检测p53和ERCC1的表达水平均可能获得更多临床价值。***2、p53高表达、肿瘤FIGO分期晚是子宫内膜癌发生淋巴结转移的独立危险因素。***2表达水平上调、肿瘤分期晚是不利于PFS及OS的独立危险因素,另外,ER表达水平下调也是影响PFS的危险因素。

关键词：子宫内膜癌预后 HER2 p53 淋巴结转移

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

跨模态行人重识别算法研究

跨模态行人重识别算法研究

作者：邹业欣江南大学

学位级别：硕士

跨模态行人重识别是一项在不相交的摄像头下,利用计算机视觉的方法,对可见光模态和红外光模态的行人图像进行正确匹配的任务,通常也被视为图像检索的一个分支问题。由于两种模态的行人图像之间差异巨大,跨模态行人重识别正确匹配不同模... 详细信息

跨模态行人重识别是一项在不相交的摄像头下,利用计算机视觉的方法,对可见光模态和红外光模态的行人图像进行正确匹配的任务,通常也被视为图像检索的一个分支问题。由于两种模态的行人图像之间差异巨大,跨模态行人重识别正确匹配不同模态的相同行人变得异常困难。近年来,随着跨模态行人重识别的方法日渐成熟,基于多分支网络结构的方法和搭配使用三元组损失函数的方法表现出了优异的性能提升效果。该类方法对提取到的特征按分支划分做不同的操作,处理后不同分支的特征是具有特征间的信息互补特性的,然而大多数基于多分支网络结构的方法并未有效使用到不同特征之间的信息互补性。同时,传统的基于欧式距离的三元组损失计算复杂度高,且不能有效地分离出特征在公共空间中的角度。为了更好地利用不同特征之间的信息互补性,本文对多分支网络结构以及完善传统三元组损失展开了研究,论文的主要研究内容如下:(1)为了充分利用可见光和红外光模态行人图像全局特征和不同粒度局部特征间的信息互补性,本文提出了多分支多粒度特征的跨模态行人重识别网络(Multigranularity Cross-modality Person Re-ID Network)。该网络设计了基于参数共享的双流网络结构,共享主干网络的前两个残差块中的参数,不共享后三个残差块中的参数,使得模型既可以提取到红外光和可见光模态行人图像的特定特征和共享特征,同时也有效降低了模型的参数量,缩短了模型训练的时间。该多分支网络充分利用了行人的全局特征与不同粒度局部特征的互补性,通过结合行人不同粒度的局部特征和全局特征,充分利用更多的行人特征信息,有效拉近了不同模态相同行人特征在公共空间的距离,提升了网络提取可鉴别性特征的能力。(2)为了减小传统三元组损失计算量大以及有效地分离出特征在公共空间中的角度,本文提出了基于角距离约束的异质中心三元组损失(Heterogeneous Center Triplet Loss Based On Angular Distance,HCAT)。传统三元组损失不能有效约束特征向量之间的角度,这使得很难分离特征向量在公共空间上的方向,在采样时遇上的异常样本会破坏其他学习好的成对距离,并且传统三元组损失使用的采样方法需要计算的成对距离数量大。而本文提出的异质中心角距离约束的跨模态三元组损失可以有效地测量特征向量之间的角度,使得模型能够正确分离公共空间中的特征向量,同时基于异质中心的度量方式不仅可以解决传统三元组损失中异常样本选取的问题,还可以减小模型的计算复杂度。(3)为了充分增强跨模态下全局特征分支和局部特征分支间的信息交互,本文提出了基于局部全局特征信息交互(Local Global Feature Interactive,LGFI)模块。大多数跨模态行人重识别方法未能利用好全局特征和局部特征之间的关系,并忽略了模态特定信息在特征融合阶段起到的作用。而基于局部全局特征信息交互模块通过将全局信息嵌入到细粒度的局部特征中去,增强了局部特征的信息表示,同时,全局特征充分吸收增强了信息表达的局部特征,增强了全局特征的表达能力,也充分发挥了模态特定信息在特征融合阶段中的作用。并且该方法不需要额外的标注或是生成第三方模态的图像进行辅助,资源消耗少。综上所述,本文总共提出了三种方法CM-MGN、HCAT以及LGFI来提升跨模态行人重识别算法的精度,实验所用数据集是跨模态行人重识别两个常用数据集RegDB和SYSU-MM01,充分的实验结果证明了本文所提算法的优良性能。

关键词：异质中心行人重识别角距离跨模态多粒度深度学习

两类具对数源的分数阶Kirchhoff型方程解的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

两类具对数源的分数阶Kirchhoff型方程解的研究

作者：石鹏贵州民族大学

学位级别：硕士

本文主要研究两类具对数源的分数阶p-Kirchhoff型方程解的动力学性质.针对仅具对数源的分数阶p-Kirchhoff型方程,基于位势阱理论、Nehari流形并结合凹性方法和Galerkin近似法,分别讨论了次临界(E(u0) 详细信息

本文主要研究两类具对数源的分数阶p-Kirchhoff型方程解的动力学性质.针对仅具对数源的分数阶p-Kirchhoff型方程,基于位势阱理论、Nehari流形并结合凹性方法和Galerkin近似法,分别讨论了次临界(E(u0)

关键词： p-Kirchhoff型方程位势阱 Galerkin近似法全局存在有限时间爆破

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于原型学习的小样本行为识别研究

基于原型学习的小样本行为识别研究

作者：刘姝雯江南大学

学位级别：硕士

基于视频的行为识别在计算机视觉领域占据相当重要的地位,其在学术界有着极大的研究意义,在智能安防、智慧城市、人机交互、视频理解等领域也表现出极大的应用价值。作为行为识别领域的一个重要分支,小样本行为识别仅需要少量样本训练... 详细信息

基于视频的行为识别在计算机视觉领域占据相当重要的地位,其在学术界有着极大的研究意义,在智能安防、智慧城市、人机交互、视频理解等领域也表现出极大的应用价值。作为行为识别领域的一个重要分支,小样本行为识别仅需要少量样本训练即可具备感知新类别的能力,受到广大研究者的关注。目前,基于视频的小样本行为识别方法主要研究如何匹配查询集样本和支持集样本,例如设计更优网络提取更高效的时空特征、学习更优的类别表征特征、设计更优的序列匹配算法等。但这些方法依然存在模型泛化能力差、原型表征能力弱、分类空间类内差异大类间差异小等关键难题。如何提取可鉴别性强的类别代表特征仍然是一个极具挑战性且至关重要的问题。原型特征增强是基于原型匹配的小样本行为识别任务的关键。本文以基于原型匹配的小样本行为识别为研究重点,利用多维原型增强学习,研究行为类别的代表特征。本文主要结合时空特征增强和原型学习,提出并实现了三种小样本行为识别方法。主要工作与成果如下:(1)提出了一种基于动态时序特征增强的小样本行为识别方法。为了有效捕获视频帧之间的时序信息,提出了时空特征融合模块(Spatio Temporal Feature Fusion,SFF),利用时序卷积网络提取视频的不同时序特征,并基于神经网络自动学习权重进行特征融合。为了弥补支持集和测试集可能存在的时序信息分布偏差,提出了动态时序变换模块(Dynamic Temporal Transformation,DTT)。DTT模块通过打乱SFF模块生成的不同时空特征,生成一种全新的具有不同时序信息分布的掩码特征,以模拟测试集中可能存在的时序特征分布。掩码特征作为原始特征的补充,丰富了训练样本,增强了网络在测试集的泛化能力。此外,还设计了变换一致性损失(Transformation Consistency Loss,TCL)嵌入至DTT中,使网络可以正确识别到打乱操作,进而增强网络对每个时空特征的重要度学习。在HMDB51、UCF101和Kinetics-100数据集上进行实验,结果证明了所提出方法的有效性。(2)提出了一种基于跨域原型重构学习的小样本行为识别方法。在动态时序特征增强的基础上,从“原型增强”的角度展开对小样本行为识别方法的研究,添加了跨域原型重构学习(Cross-domain Prototype Refactor Learning,CPRL)模块。它由支持修正原型学习(Support-corrective Prototype Learning,SCPL)模块和查询补充原型学习(QuerySupplemental Prototype Learning,QSPL)模块组成。其中,SCPL模块利用加权平均数代替原始的平均数计算类原型,降低了极端样本对原型特征的消极影响,增强了原型特征对类别平均水平的表征能力。QSPL模块利用伪标签策略从查询集中计算伪样本,用于原型学习,通过增大样本容量,降低类内差异,进而增强原型特征。为了更好地学习特征间相似度用于原型学习,还提出了重加权相似度注意力(Re-Weighting Similarity Attention,RSA)用于SCPL模块和QSPL模块。在HMDB51、UCF101和Kinetics-100数据集上的实验证明了两种原型互相补充,有效提高了模型的分类性能。此外,所提出的CPRL模块为基于原型特征的小样本任务提供了一种新的原型学习思路,可以嵌入至网络中,增强原型特征的表征能力。(3)提出了一种基于可适应聚合三元组优化的小样本行为识别方法。在跨域原型重构学习架构的基础上,从“优化分类空间”的角度进一步研究小样本行为识别。通过分析传统的交叉熵损失和三元组损失,设计了用于小样本行为识别的可适应聚合三元组损失(Adaptive Aggregation Triplet Loss,AATL),以三元组的形式优化原型分类空间。AATL模块由原型驱动可适应三元组损失(Prototype-Driven Adaptive Triplet Loss,PATL)和查询驱动可适应三元组损失(Query-Driven Adaptive Triplet Loss,QATL)组成。其中,PATL以原型特征为中心构建三元组,充分利用查询集的特征分布,优化原型特征和查询样本特征的相似度,增强原型对细微差异的辨别能力。QATL以查询样本为中心,优化原型特征和支持集特征的相似度,增强支持集不同类别的线性可分性,进而增大类间差异缩小类内差异。并通过设计可适应边距(adaptive margin)代替固定边距值,为每个任务生成特定边距值,用于区分正负样本。在HMDB51、UCF101和Kinetics-100数据集上进行实验,结果证明了基于三元组优化分类空间的有效性。

关键词：小样本行为识别时空特征学习原型增强学习相似度优化

功能化纤维素纳米晶负载MOF-199复合体系的制备及性能研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

功能化纤维素纳米晶负载MOF-199复合体系的制备及性能研究

作者：张照航青岛科技大学

学位级别：硕士

金属有机骨架(MOF)材料是一类由过渡金属节点桥接的有机配体自组装而成的具有周期性网络结构的晶体多孔材料。它具有高比表面积、孔隙结构丰富、开放位点活性强、灵活的可调控性等优异特性,因此MOFs材料在吸附与分离、传感电极、催化、... 详细信息

金属有机骨架(MOF)材料是一类由过渡金属节点桥接的有机配体自组装而成的具有周期性网络结构的晶体多孔材料。它具有高比表面积、孔隙结构丰富、开放位点活性强、灵活的可调控性等优异特性,因此MOFs材料在吸附与分离、传感电极、催化、抗菌、超级电容器等方面表现出应用前景。但是由于MOFs被合成出来一般为粉末形态,造成其难加工、使用不便捷的缺陷,限制了应用范围。因此寻找合适的载体制备MOFs复合材料是提高MOFs实际应用可行性的有效途径。纤维素纳米晶(CNCs)是一种从纤维素中剥离出来的绿色环保纳米材料,它具有生物相容性好、力学性能好、表面基团可修饰性等优点。通过对CNCs表面羟基的羧基化,可以进一步实现对目标分子的负载,CNCs气凝胶已被广泛用于功能材料的负载与制备。本论文针对一种含铜的MOF(MOF-199)材料的应用,通过离子交联(Cu与羧基)和配位键合(Cu与均苯三甲酸有机配体)的组装策略,制备了MOF-199与羧基化纤维素纳米晶(CNC-CA)的复合气凝胶。该气凝胶为具有核壳结构的球形材料,外壳结构为致密的MOF-199晶体层,内核为CNC-CA与羧甲基壳聚糖(CMCS)形成的三维网状结构。CNC-CA和CMCS的共存对于形成稳定的气凝胶内部结构起了协同作用,而均苯三甲酸配体溶液的p H值决定了MOF-199壳层在CNC-CA/CMCS核心上覆盖率。通过调整组分浓度和反应时间,发现MOF-199的形貌随着{111}晶面的演变而发生变化。N吸附等温线和孔径分布证实了MOF-199@CNC-CA/CMCS气凝胶球的中孔和大孔结构,这也使所得气凝胶球对亚甲基蓝(MB)表现出优异的吸附能力。高达1112.2 mg·g的动力学吸附性能数据表明,MB分子在气凝胶上的吸附过程受物理吸附和化学吸附相互作用的共同控制。基于Freundlich等温线模型,MB的吸附平衡被认定为多层吸附。对MOF-199@CNC-CA/CMCS气凝胶进行高温碳化后得到掺杂Cu、Cu O和CuO的多孔碳材料。该产物对硝基苯酚(4-NP)的还原起了高效催化作用。其中CuO物种在催化4-NP的还原中起主要作用。

关键词：金属有机骨架纤维素纳米晶体气凝胶染料吸附催化还原

基于认知图谱的中文开放域阅读理解问答的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于认知图谱的中文开放域阅读理解问答的研究

作者：王嘉鹏宁波大学

学位级别：硕士

中文开放域的阅读理解问答是自然语言处理领域中的一项任务,通过给定的单个或多个文档来对问题做出回答,从而测试机器理解自然语言的程度,这可能会改变人机交互的方式。在现实生活中,信息检索的搜索引擎可以建模为阅读理解问答,智能的... 详细信息

中文开放域的阅读理解问答是自然语言处理领域中的一项任务,通过给定的单个或多个文档来对问题做出回答,从而测试机器理解自然语言的程度,这可能会改变人机交互的方式。在现实生活中,信息检索的搜索引擎可以建模为阅读理解问答,智能的搜索引擎可以直接返回用户用自然语言提出的问题的正确答案,而不需要返回一系列相关的网页,再由用户自己去寻找答案。阅读理解问答是一项很有发展前途的任务,可以提高信息检索的效率。阅读理解问答可以使用深度神经网络来回答来自各个领域和形式的问题,但是当面对多个文档时,它仍然会缺乏有效的方法。在中文开放域的问答方法中,过去有三种主要的途径来解决阅读理解问答的问题:一种是通过端到端神经网络的学习方法,以问题和文档作为输入,利用神经网络提取跨度位置,对答案进行预测。虽然端到端方法的有效性在最近的实验中得到了证明,但是其仍未能解决对答案的解释性。第二种方法是基于知识图谱的学习方法,以已有的知识图谱作为基础,在实体和关系上进行推理,这种方法虽然解决了对于答案推理的可解释性问题,但是在开放领域的阅读理解问答的问题中,缺少已有的庞大的知识图谱架构,因而无法进行有效推理预测。第三种方法是在知识图谱和端到端方法的基础上,建立的认知图谱的方法,认知图谱方法具备推理解释性,但是目前存在的认知图谱方法中,都是基于英文数据建立的模型(如Hot Pot QA数据集),而该数据集本身就具备多跳的特征,因此基于英文的认知图谱方法无法直接应用到中文数据中。本文基于人的认知过程理论,建立了基于认知图谱的中文阅读理解问答方法,主要研究工作和创新点如下:(1)本文建立了一种基于认知图谱的中文问答检索算法(Question and answer retrieval method of cognitive graph,QARCG)。该算法将阅读理解问答过程分为检索模型和阅读理解模型。检索模型通过给定问题对应的支撑文档作为起点,使用TF-IDF算法顺序检索每个证据文档,从top K个文档材料中提取三元组。并根据三元组在维基百科中找到相应段落,通过在这些段落中进行多跳检索,从而在实体图中形成多个推理路径。阅读理解模型通过对检索到的推理路径进行排名来给出答案的区间。与其他方法相比,认知图谱中检索器模型和阅读器模型之间的强大相互作用使其能够通过寻找更准确的推理路径来回答复杂的问题。通过在真实数据集上进行大量实验,与其他先进的阅读理解问答方法做相比,F1得分得到显著提高,证明了所提方法的有效性。(2)本文建立了基于中文百科知识的三元组抽取方法(triples extraction by Robert,TER)。为了解决问答检索在wiki百科中寻找证据文档的多跳任务,把从非结构化文本中提取三元组的问题,转化为条件概率的建模问题。在建模过程中,首先通过主实体标记器抽取主实体,其次遍历对应于主实体的所有关系,接着通过尾实体标记器来来找到对应于主实体的特定关系的宾语,最终完成三元组抽取的任务。本文的实验评估基于真实的百度三元组数据集,结果表明TER的性能要优于其他算法。

关键词：认知图谱阅读理解问答开放域三元组抽取

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

开放场景下的行人重识别研究

开放场景下的行人重识别研究

作者：马磊江南大学

学位级别：硕士

行人重识别作为图像检索领域热门的研究课题之一,在智能安防、无人超市、疫情防控流调领域有着巨大的应用潜力。接近或可以用于实际应用场景的行人重识别被称为开放场景下的行人重识别,代表的任务有无监督域自适应行人重识别和红外-可... 详细信息

行人重识别作为图像检索领域热门的研究课题之一,在智能安防、无人超市、疫情防控流调领域有着巨大的应用潜力。接近或可以用于实际应用场景的行人重识别被称为开放场景下的行人重识别,代表的任务有无监督域自适应行人重识别和红外-可见光跨模态行人重识别。对于无监督域自适应任务来说,其源域数据集和目标域数据集的身份类别是相互独立的,缩小源域和目标域的差异是解决该问题的关键。基于聚类生成伪标签方法的出现大大改善了无监督域自适应行人重识别的性能,但伪标签或多或少地存在噪声,因此,如何生成更高质量的伪标签,成为当下无监督域自适应行人重识别的热门研究方向。对于红外-可见光跨模态行人重识别任务来说,在红外和可见光两种模态的图像库中检索同一身份相当具有挑战性,减少模态差异及学习模态共享的鲁棒性特征是解决该问题的关键。现有跨模态方法往往只关注图像的全局特征,鲜有方法关注局部特征,因此,充分利用包含辨别性信息的局部特征是红外-可见光跨模态行人重识别的潜在研究方向。针对上述两个开放场景下的典型任务,本文的主要研究内容如下:(1)针对传统单分支网络结构的无监督域自适应行人重识别方法,本文将Transformer结构引入其中,并提出了基于ViT的算法。考虑到Transformer依赖预训练模型而难以从头训练、参数量大且不易收敛等特点,本文尝试引入更高效的Transformer模型——Swin Transformer以期缩短模型学习时长。受此启发,本文提出了一种平衡性能与效率的新方案——仅包含单个block的精简Transformer(Mini-tans Former,MF)结构/策略,MF可以从头训练而不依赖任何预训练参数,且更多的头数使得其可以捕获媲美原始ViT的多样化信息。此后,将即插即用的MF与卷积神经网络(CNN)结合,本文提出了卷积-精简Transformer框架(CNN with Mini-trans Former,CMF),CMF同时具备卷积和Transformer的优点。在CMF中,本文呈现了三种各具特色的MF策略:“胖子”、“三明治”和“瘦子”。三个常用数据集上四个主流任务的表现证明了CMF方法可以显著改进无监督域自适应行人重识别任务的性能。值得说明的是,CMF也是兼容其他视觉任务的通用框架。(2)针对双分支网络协同学习的无监督域自适应行人重识别方法,本文尝试构建结构不同的双分支网络以增强其互补性。具体互补学习方案有两种:对两个网络分别使用全局平均池化、全局最大池化以及广义平均池化三种经典池化方法,这种最简单的方法为协同学习框架带来了显著的性能提升;两个网络分别使用原始的ResNet50或不同的CMF,结构差异较大的两个网络具有相当强的互补性。除此之外,本研究发现传统池化方法带来的性能提升有限,且全局平均池化与Transformer组合使用会导致性能衰退。为此,本文提出了两个轻量型通用池化方法——全局混合池化(Global Hybrid Pooling,GHP)和全局子值池化(Global Sub-Value Pooling,GSVP),前者以一种更柔和的方式保留了全局信息,后者则类似人类视觉,保留了局部辨别性信息。结合CMF,本文提出了协同Transformer-池化框架(Collaborative Trans-Pooling,CTP),在四个主流任务上,CTP取得了优异的性能。值得说明的是,GHP和GSVP也是兼容于其他卷积神经网络和视觉任务的通用池化方法。(3)针对暗光照条件下的红外-可见光跨模态行人重识别方法,本文尝试将Transformer结构引入其中。具体地,将CMF和全局子值池化拓展至该任务以探究本文所提方法在有监督开放场景行人重识别任务中的性能表现。此外,现有的红外-可见光跨模态行人重识别任务很少关注局部特征,且现存的局部方法通过水平均匀切块的方式获得局部特征,这种方式会使得毗邻局部分块间的邻域信息丢失,而这些邻域信息很可能包含了关键的辨别性特征。针对此问题,本文提出一种简洁有效的局部方法——交叉局部特征方法(Adjacent local features,ALF),ALF可在不增加任何计算复杂度的情况下保留像素级的邻域信息。两个主流数据集上的性能表现证明了ALF的有效性以及本研究所提池化方法的通用性。综上所述,研究开放场景下的行人重识别对行人重识别系统投入实际生产并为社会作出贡献有着重要意义。本文以无监督域自适应和红外-可见光跨模态行人重识别任务为例,旨在寻找一系列通用的方法来解决开放场景下的行人重识别难题,大量的实验验证了本文所提方法的有效性及可拓展性。

关键词：行人重识别开放场景无监督域自适应跨模态池化