检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于二阶分布建模的可信目标检测方法

基于二阶分布建模的可信目标检测方法

作者：王瑞南京邮电大学

学位级别：硕士

目标检测任务是计算机视觉领域的重要分支,旨在同时预测目标的类别与位置。在自动驾驶、医学影像识别、缺陷检测等领域均有广泛的应用前景。在一些安全敏感场景下,目标检测模型能够给出可靠的不确定性估计是尤为重要的。现有的可信目标... 详细信息

目标检测任务是计算机视觉领域的重要分支,旨在同时预测目标的类别与位置。在自动驾驶、医学影像识别、缺陷检测等领域均有广泛的应用前景。在一些安全敏感场景下,目标检测模型能够给出可靠的不确定性估计是尤为重要的。现有的可信目标检测方法主要分为三类:贝叶斯可信目标检测方法、集成可信目标检测方法以及一阶分布建模可信目标检测方法。贝叶斯方法以及集成方法由于需要多次进行前向传播,计算代价过高。一阶分布建模方法缺点在于无法反应所给出概率的可信程度。为解决上述相关工作中存在的问题,本文提出了一种基于二阶分布建模的可信目标检测方法,具体包括如下研究内容:(1)针对分类不确定性敏感的目标检测任务,通过引入狄利克雷分布以及深度度量学习,提出了一类融合度量学习与不确定性感知的可信目标检测方法。该方法通过定义目标类别服从先验分布为狄利克雷分布的类别分布,对Retinanet分类分支进行改进使其可以预测狄利克雷分布的参数,进而基于主观逻辑理论得到类别预测的不确定性估计。此外,为避免模型输出误导性证据,该方法采用一种基于代理机制的深度度量学习方法,旨在扩大具有不同语义目标特征之间的距离,从而使得对于不同类别目标,模型学习到的特征更加具有区分性。在真实数据上的实验结果表明,该方法相较于其他方法不仅具有更优的检测性能,且能够提供更有效的不确定性估计。(2)针对分类和定位不确定性双重敏感的目标检测任务,在前述方法的基础上,采用高斯逆伽马分布对其回归分支进行建模,同时引入聚簇非极大值抑制方法(Cluster-NMS),进一步提出一类融合不确定性感知非极大值抑制的可信目标检测方法。该方法通过改进Retinanet回归分支以预测高斯逆伽马分布的参数,从而在一次前向传播过程中,同时预测偶然不确定性以及认知不确定性。此外,为在非极大值抑制阶段,高效且准确的移除冗余检测框,该方法将模型预测的不确定性估计与聚簇非极大值抑制方法相结合,使其能同时兼顾预测的准确性与可信性。最终在真实数据集上的实验结果证明了该方法的有效性以及优越性。(3)针对变电站端子排二次接线线帽配对检测场景,基于所提出的可信目标检测算法设计实现了一类可替代人工检测的二次接线线帽智能核对原型系统。该原型系统能在提供难例样本拒识功能的基础上,有效检测电力线缆的错接、漏接和多接情况,此外,考虑到接线场景的实际应用需求,本文还实现了该原型系统的用户登录、信息管理及异常样本备份等功能。

关键词：主观逻辑不确定性估计狄利克雷分布高斯逆伽马分布深度度量学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的阿尔巴斯绒山羊面部识别研究

基于深度学习的阿尔巴斯绒山羊面部识别研究

作者：张世龙内蒙古大学

学位级别：硕士

畜牧市场数字化的背景下,家畜个体的行为监控、疾病预防和精确化管理成为智慧牧场发展中亟待解决的问题,个体识别则成为解决以上问题的前提。传统的家畜识别方法因耗费人力、效率低等问题无法满足现代化牧场发展要求。基于此,本文在分... 详细信息

畜牧市场数字化的背景下,家畜个体的行为监控、疾病预防和精确化管理成为智慧牧场发展中亟待解决的问题,个体识别则成为解决以上问题的前提。传统的家畜识别方法因耗费人力、效率低等问题无法满足现代化牧场发展要求。基于此,本文在分析动物识别与人脸识别研究的基础上,提出了一种基于深度学习的阿尔巴斯绒山羊面部图像识别方法,论文主要工作如下:首先,针对羊脸检测问题构建了羊脸目标检测数据集,提出了一种基于MRFEM-YOLOv4模型的羊脸检测算法,通过对YOLOv4模型加入MRFEM模块可以高效聚合神经网络不同层间的特征映射,并采用先验框聚类等优化策略提升了MRFEM-YOLOv4模型的羊脸检测性能,检测准确率达到了97.11%。其次,针对羊脸对齐问题构建了羊脸关键点检测数据集,由于羊脸关键点局部信息区分性弱且不同关键点的检测难度大,本文使用Open Pose模型实现了羊脸关键点5点定位,并在提取关键点后使用基于两眼连线中心算法实现了羊脸对齐,为羊脸识别任务奠定了基础。最后,针对羊脸识别这一开集的模式识别问题构建了羊脸识别数据集,提出了一种ARM模块来加强主干网络的特征提取能力,首次将Circle loss度量学习损失应用于羊脸识别任务,通过对比实验得到了本文识别效果最优的ARM＿Res Net50+Circle loss羊脸识别模型,羊脸识别准确率达到了96.12%。

关键词：羊脸识别目标检测关键点检测深度度量学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的噪声标签图像分类算法研究

基于深度学习的噪声标签图像分类算法研究

作者：曹大卫西安电子科技大学

学位级别：硕士

随着互联网技术的高速发展,图像数据在种类、数量等方面呈现爆炸性的增长趋势,大规模图像数据推动了深度学习技术在计算机视觉领域的发展。然而,在实际应用中由专家精确标注的数据成本高昂且难以获取,借助自动化工具标注以及“众包”标... 详细信息

随着互联网技术的高速发展,图像数据在种类、数量等方面呈现爆炸性的增长趋势,大规模图像数据推动了深度学习技术在计算机视觉领域的发展。然而,在实际应用中由专家精确标注的数据成本高昂且难以获取,借助自动化工具标注以及“众包”标注的方式逐渐成为获取大规模图像标签的主流,这些低成本的标注方式会不可避免地产生错误标签即噪声标签。在图像分类领域,噪声标签会对分类器产生负面的影响,如降低分类器的预测性能,增加模型的复杂度等。在大规模数据集中噪声标签问题的影响更为严重,研究表明深度神经网络对数据的过拟合倾向会使它们轻易地拟合噪声标签。针对这一问题,本论文旨在研究含有噪声标签图像的分类任务,主要的研究工作和研究成果概括如下:1.提出了一种基于自监督学习的噪声标签过滤算法,现有的图像分类任务中,采用样本选择算法对噪声数据进行处理是一种简单有效的方式。样本选择算法的主要目的是从数据中挑选小损失的样本作为干净样本指导模型进行分类任务的学习。但这种方法会将困难样本视为噪声样本,困难样本可以提升模型的分类性能及鲁棒性。针对目前样本选择算法中存在的问题,本文使用均值教师模型和自监督学习技术在模型判定为噪声的数据中挖掘潜在的困难样本,生成困难样本的伪标签并用其指导模型学习图像分类任务。实验表明,本文所提的基于自监督学习的噪声标签过滤算法能够有效地抵抗噪声标签数据的影响,挖掘潜在噪声中的困难样本能够进一步提升模型的分类性能,且模型的抗噪鲁棒性达到了其他先进噪声标签过滤算法的效果。2.提出了一种基于深度度量学习的噪声标签过滤算法,深度度量学习模型的目的是减小特征空间中同类样本的距离,增大异类样本的距离。本文提出了一种基于深度度量学习的噪声标签过滤算法,噪声标签数据是同一类别数据内部的异常点,通过同类数据特征之间的相似度可以进行噪声数据的判断。在基于记忆库的深度度量学习算法的基础上,提出了一种基于样本相似度的噪声标签样本选择方法,该方法通过计算样本与同类样本数据之间的相似度,判定样本是否为干净的数据样本,并从潜在的噪声标签数据中挖掘出模型不易区分的困难样本。通过构造干净样本和困难样本的正负样本对,并引入有监督对比损失来指导深度度量学习模型的训练。实验表明,本文所提的基于深度度量学习的噪声标签过滤算法能够有效地挑选干净样本,构造困难样本的正负样本对能够进一步提升模型的分类能力,模型的抗噪鲁棒性优于当前基于深度度量学习的噪声标签过滤算法。

关键词：噪声标签深度学习图像分类自监督学习深度度量学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图像的三维模型检索方法研究

基于图像的三维模型检索方法研究

作者：苏北华中科技大学

学位级别：硕士

制造业企业在研发阶段积累了大量的零部件三维模型,为高效地重用现有的模型资源,需要研究准确快速的模型检索方法。基于图像的三维模型检索方法根据输入图像在三维模型库中检索与图像相关的三维模型,是高效重用模型资源的重要途径。当... 详细信息

制造业企业在研发阶段积累了大量的零部件三维模型,为高效地重用现有的模型资源,需要研究准确快速的模型检索方法。基于图像的三维模型检索方法根据输入图像在三维模型库中检索与图像相关的三维模型,是高效重用模型资源的重要途径。当前主流的研究以多视图的形式表示三维模型,通过神经网络提取三维模型和图像的特征以度量两者的相似度,但这些研究中获取的三维模型多视图往往不全面或冗余度较高,很少关注图像中背景对特征提取的干扰,检索算法的准确率和效率有待提高。为此,本文开展以下几个方面的研究工作:(1)研究基于图像检索三维模型的基本流程,分析流程中各个环节的关键技术,提出基于图像检索三维模型的技术方案,设计基于图像的三维模型检索总体框架。(2)研究三维模型多视图获取与视图聚类方法,以正二十面体细分生成的球面三角网格顶点为视点,渲染模型的视图,提取视图的几何不变矩,基于k-means++对视图进行聚类。该方法有利于降低模型多视图表示的冗余性,提高模型多视图表示的完整性。(3)研究提取掩膜的轻量级图像分割网络,利用轻量级卷积神经网络对金字塔场景解析网络进行轻量化,实现对掩膜准确快速地提取。在提取图像的特征前将图像与掩膜拼接,有利于减小背景对特征提取的干扰,提取出更准确的特征。(4)研究基于联合嵌入的三维模型检索算法,通过深度度量学习为多视图形式的三维模型构建特征空间,基于轻量级卷积神经网络将图像嵌入到特征空间中,在特征空间下计算三维模型与图像的相似度。该算法充分学习三维模型和图像的特征,实现对三维模型准确快速地检索。(5)开发基于图像的三维模型检索原型系统。基于上述算法对原型系统进行设计与实现,利用自定义的机械零部件数据集对原型系统进行测试,验证本文算法的有效性。

关键词：三维模型检索视图聚类图像分割深度度量学习轻量级神经网络

基于深度学习的中大型项目开发模式预构建研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的中大型项目开发模式预构建研究

作者：张斐兰州理工大学

学位级别：硕士

当软件的规模达到一定程度,其包含的业务场景数量以及场景间的关联逻辑复杂度会随着规模的增大呈指数级增长,与此同时,一个中大型项目往往由多个单体项目共同组成,包含的单体项目越多,其间的数据交互方式、通信链路、业务关联以及负载... 详细信息

当软件的规模达到一定程度,其包含的业务场景数量以及场景间的关联逻辑复杂度会随着规模的增大呈指数级增长,与此同时,一个中大型项目往往由多个单体项目共同组成,包含的单体项目越多,其间的数据交互方式、通信链路、业务关联以及负载均衡体系就越复杂。因此,对于中大型软件而言,发生变更的同时将伴随着巨大的成本投入。如果在项目启动之初,通过精准的软件变更预测手段,预先构建完善的具有强扩展性的开发模式,则能有效地降低软件项目的变更次数和变更难度,进而提高企业和团队效率,降低开发成本。变更预测一直是软件工程领域的一个热门研究方向,在研究的初期阶段,有学者提出了一种基于单项目文件集的项目内变更预测模型,该模型在小型单体项目中表现良好,但对于中大型项目,尤其是多项目间的变更预测,其准确度和稳定性会大幅下降。为了解决项目内预测存在的问题,多项目间软件变更预测方法应运而生,但在实际应用过程中,项目间一些重要特征会存在较大差异,如编程语言不同、技术框架多样以及项目架构互斥等因素,导致模型最终的预测效果不尽如人意。在经过对问题原因的深入研究和当前技术体系的广泛调研,发现深度学习方法在解决上述问题上有极强的优势,为此,本文在深度学习方法的基础上提出了以下两个预测方法,分别是DML(多项目间基于深度度量学习的软件变更预测)和DRank(多项目间基于深度排序学习软件变更预测)。主要的研究内容有以下三个方面:(1)数据预处理,本文选择了 2个闭源项目和5个开源项目,并从版本控制系统中抽取了相应的迭代信息,结合其源代码数据,形成了原始数据集,为了解决数据的差异性问题,首先对其进行了标准化和平衡化处理。其次,由于单项目模型在多项目间预测中表现较差,有一个重要的影响因素就是训练样本数据单一,覆盖场景较少,为此,本文提出了项目样本集合并的方案,降低各个项目间核心特征的差异,进而丰富训练样本数据,增大业务场景覆盖,以期提高预测效果,并设计了基础实验方案,使用传统的机器学习方法对项目样本集合并的可行性进行了验证。(2)多项目间基于深度度量学习的软件变更预测方法,软件度量元是基于工程学角度衡量软件项目中文件样本特征的指标,因此,如何选择适合的度量元对软件变更预测效果有着直接影响。通过引入度量学习和深度学习相结合的方式,本文提出了深度度量学习方法,使用该方法计算各个文件样本的特征值,并将其马氏-距离度量在新的特征空间中映射,增加异类样本间距离,缩小同类样本间距离,并使拉大各类样本集与对应阈值之间的差距,直到得到效果最好的网络结构,从而达到对多项目间的软件变更进行准确预测。(3)多项目间基于深度排序学习的软件变更预测方法,使用基于深度度量学习的变更预测方法虽然有效地提高了多项目间软件变更预测的准确度,但其模型训练性能过低,耗时过长,难以满足在实际生产中的应用。为了解决上述问题,本文引入了深度排序学习,设计了多项目件的软件变更预测方法,构建排序模型计算样本变更概率,对计算结果按照降序排序,得到有序文件列表,进而实现对软件变更的高效预测。通过对上述三个方面的研究,得出了以下结论,项目内预测中,使用多项目合并的训练方法能够有效解决单项目训练模型适用性差、准确率低的问题,实验结果表明,合并训练模型的综合指标提高了12.7%。在机器学习的选择方面,基于深度度量学习训练的模型在变更预测方面要优于传统机器学习方法,实验中发现,DML的综合指标同比提高了6.98%。在性能方面,基于深度排序学习算法的变更预测方法要远高于深度度量学习,同时,预测效果也更好,较之于深度度量学习模型,Drank的综合指标提高了16.55%。

关键词：变更预测样本集合并多项目预测深度度量学习深度排序学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于隐空间约束的自监督图像检索研究

基于隐空间约束的自监督图像检索研究

作者：胡鑫电子科技大学

学位级别：硕士

图像检索是计算机视觉领域的一个重要研究任务,在大规模数据库中对图像的内容进行判别,根据图像中标志性的特征进而检索出内容相似的图像。图像检索任务仍然面临着学习判别性表示和减少昂贵的劳动密集型注释的挑战。本文从两个方面分析... 详细信息

图像检索是计算机视觉领域的一个重要研究任务,在大规模数据库中对图像的内容进行判别,根据图像中标志性的特征进而检索出内容相似的图像。图像检索任务仍然面临着学习判别性表示和减少昂贵的劳动密集型注释的挑战。本文从两个方面分析了现有检索任务方法的不足:一方面,深度度量学习可以学习判别性表示,但现有方法忽略了正负样本本身的特征差异性,而且依赖标注性的数据;另一方面,自监督学习可以解决昂贵的劳动密集型注释问题,但现有方法中对损失的探索不够,不能使网络学习到一个更好的特征向量。本文主要研究将自监督学习和深度度量学习相结合解决上述问题的新型方法,提高图像检索性能。为了学习一个更优的特征表示,本文首先对深度度量学习进行了研究,设计出自适应权重损失,针对正负对本身的特征差异分别设计不同类型的加权函数。在两个基准数据集上的实验表明,自适应权重损失方法对性能的提升效果显著。在不同网络框架中的实验表明了它具备鲁棒性。本文基于MoCo模型分析自监督学习和深度度量学习的异同,将两者优点结合起来提出了基于隐空间约束的自监督图像检索,在自监督学习流程的不同阶段分别提出了隐空间约束改进方法:在预训练阶段,对对比损失进行加权来学习更好的表征,将改进后的模型参数迁移到精调阶段的模型中;在精调阶段,使用深度度量学习损失对隐空间分布进一步约束,提高模型在图像检索任务中的性能。在Image Net和CARS-196数据集上的实验表明了自适应权重损失设计原理及其方法对隐空间的分布进一步约束这种方法是有效的,以此来达到深度度量学习和自监督学习相结合,提升模型性能。自适应权重损失方法在图像-文本匹配和视频-文本匹配方面进行了进一步的扩展实验。在两个图像-文本检索和一个视频-文本检索框架上的性能提升不仅证明了自适应权重损失方法的鲁棒性,还为今后自适应权重损失在自监督多模态检索任务方向的研究提供了思路。

关键词：图像检索深度度量学习自监督学习隐空间约束

面向电力生产精细化风险解译的高度相似防护工具智能检测技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国电机工程学报 2024年第3期44卷 971-980,I0010页

作者：马富齐王波董旭柱冯磊贾嵘西安理工大学电气工程学院陕西省西安市710054 武汉大学电气与自动化学院湖北省武汉市430072

电力生产通常面临高低电压、强弱电流等复杂工作环境转换,不同作业场景有严格的防护工具使用标准,因此,研究生产作业过程防护工具的精细辨识对保障人员安全及电网安全意义重大。已有研究可实现安全帽、工作服等基础着装类检测,而实际生... 详细信息

电力生产通常面临高低电压、强弱电流等复杂工作环境转换,不同作业场景有严格的防护工具使用标准,因此,研究生产作业过程防护工具的精细辨识对保障人员安全及电网安全意义重大。已有研究可实现安全帽、工作服等基础着装类检测,而实际生产中存在大量形态高度相似的实体防护工具,如绝缘手套与线手套、绝缘杆与验电杆等。为此,该文提出一种基于深度代表性度量学习的相似防护工具智能检测方法。将目标类别特征学习转换为以差异化表达不同目标特征距离为目的的嵌入式空间特征学习,得到表征不同目标的深度代表性特征向量,通过计算未知目标与代表性特征向量的距离进行类别判断,最后以现场图像进行试验验证。试验结果表明:所提方法实现了对形态相似防护工具的特征差异表达和精准辨识,相比于常见目标检测模型具有更优越的辨识性能,从而提高电力生产安全风险辨识的精细化水平。

关键词：生产安全防护安全影像解译电力深度视觉高度相似目标深度度量学习嵌入特征空间

基于深度学习的图像语义分析与跨模态检索研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的图像语义分析与跨模态检索研究

作者：刘洋重庆理工大学

学位级别：硕士

图像文本跨模态检索是计算机视觉领域中一个新兴的研究课题,旨在对图像与文本两种不同模态的数据进行相互检索。在如今大数据时代下,获取不同模态数据之间的关系,挖掘海量数据中的潜在价值尤为重要,因此该任务在商品检索、菜谱检索等领... 详细信息

图像文本跨模态检索是计算机视觉领域中一个新兴的研究课题,旨在对图像与文本两种不同模态的数据进行相互检索。在如今大数据时代下,获取不同模态数据之间的关系,挖掘海量数据中的潜在价值尤为重要,因此该任务在商品检索、菜谱检索等领域有着巨大的应用潜力。由于跨模态检索任务旨在视觉和语言两种不同的媒体数据之间准确的找到相同语义的实例,因此除了如何弥补视觉和语言之间存在的“语义鸿沟”是该任务的主要问题。针对这一问题,本文基于深度学习对该任务从两个方面进行了研究。首先,针对传统的跨模态堆叠注意力机制在处理跨模态检索问题时未考虑图像、文本片段与图像、文本整体之间的关系而导致语义错位的问题,本文基于堆叠注意力机制设计了一个双向矫正注意力模型,它引入了子片段与整个图像或句子语义之间的相关性的新概念,并设计了一种新颖的正确注意力机制,对图像和句子之间的局部和全局相似性进行建模,以纠正集中在错误片段上的注意力权重。具体来说,我们引入了一个关于子片段与整个图像或句子之间语义关系的概念,并利用这个概念从两个方面解决语义错位。在我们正确的注意力机制中,我们设计了两个独立的单元来纠正集中在错误片段上的注意力权重。Global Correct Unit（GCU）将图像和句子之间的全局相似性建模到注意力机制中,以解决将注意力集中在不相关对中的相关子片段上导致的语义错位问题,而Local Correct Unit（LCU）则考虑了两个步骤之间片段之间的注意力权重,以解决由于将注意力集中在相关对中不相关的子片段上而导致的语义错位问题。其次,针对传统视觉语义嵌入方法在构建模型时仅仅考虑不同模态间的语义关系,忽略相同模态间语义关系而引起的语义错位问题,我们提出了一个对比视觉语义嵌入框架,它通过从增强的图像-图像（或文本-文本）对中进行对比学习来实现模态内语义对齐,并通过在图像-文本对上应用最难负样本的三元组损失来实现模态间语义对齐。最后,通过在大规模MSCOCO和Flickr30K数据集上的大量实验,本文将所提出的两种算法与当前最先进的方法进行比较,并得到有竞争力的结果,证明我们所提出的两种方法可以很好的提高跨模态检索的准确性。

关键词：跨模态检索图像文本匹配注意力机制深度度量学习对比学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

安防场景下的在线时空动作检测算法研究

安防场景下的在线时空动作检测算法研究

作者：周鑫南京邮电大学

学位级别：硕士

随着监控摄像头和无人机等安防设备的快速普及,需要采用自动化的手段对日益增多的视频数据进行分析与理解。时空动作检测可以在未剪裁视频上识别出动作的类别、起止时间以及动作在每一帧中的空间位置,得到了业界越来越多的关注。针对算... 详细信息

随着监控摄像头和无人机等安防设备的快速普及,需要采用自动化的手段对日益增多的视频数据进行分析与理解。时空动作检测可以在未剪裁视频上识别出动作的类别、起止时间以及动作在每一帧中的空间位置,得到了业界越来越多的关注。针对算法在安防应用中,由行人密集场景导致的相邻动作实例间相互干扰问题,以及在不同算力设备和检测需求下模型性能差异较大的问题。本文提出行人密集场景下的动作检测算法与强泛化性在线动作检测算法。主要研究内容如下:(1)本文提出行人密集场景下的离线动作检测算法。该算法为了避免提取到相邻动作的特征,引入了可变形卷积、通道注意力模块和Re-ID模型,从而提高视频段级别的检测性能;针对基于IOU的连接算法在行人密集场景下的不足,使用Re-ID嵌入特征来度量时序相邻的Tubelet间的相似度,从而改进原有的连接算法,提高了视频级别的检测性能。算法在自制的密集行人数据集上提升了2.34%的Frame-m AP和3.89%的Video-m AP,在UCF101-24数据集上提升了1.2%的Frame-m AP和1.5%的Video-m AP。结果表明该算法提升了在行人密集场景下的时空动作检测性能。(2)本文提出具有强泛化性的在线动作检测算法。该算法针对在线检测设置下无法观察继而利用未来帧而导致的模型性能下降问题,提出使用特权知识蒸馏和课程学习将教师网络学习得到的未来帧信息传递给学生网络,实验证明该算法可以提升模型在线检测性能。同时,针对不同设备算力差异导致的模型性能差异较大的问题,提出通过轻量级的动作表征度量模块来学习多时序尺度下的动作实例关系,以提高模型的时序尺度泛化性。与没有动作表征度量模块的算法相比,在从UCF101-24提取出的多时序尺度数据集上提升了6.88%的Frame-m AP和7.15%的Video-m AP。(3)本文开发了一个基于行人图片的动作检索系统。该系统可以根据预先采集到的行人图像,在实时输入的视频序列中进行特定行人的动作检索,若检索到的行人动作为危险动作,则会触发报警功能。

关键词：深度学习时空动作检测表征学习深度度量学习知识蒸馏