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

基于姿态关系挖掘的行人再辨识研究

基于姿态关系挖掘的行人再辨识研究

作者：杨静广西师范大学

学位级别：硕士

行人再辨识是计算机视觉中一项重要的研究课题,在智能安防、智慧城市以及刑事侦查等领域具有及其重要的实用和商业价值。行人再辨识是指在跨摄像机拍摄的场景中查找特定行人,深度学习技术显著提升了行人再辨识的性能。但在实际应用场景... 详细信息

行人再辨识是计算机视觉中一项重要的研究课题,在智能安防、智慧城市以及刑事侦查等领域具有及其重要的实用和商业价值。行人再辨识是指在跨摄像机拍摄的场景中查找特定行人,深度学习技术显著提升了行人再辨识的性能。但在实际应用场景下,犯罪嫌疑人可能会换装或者利用复杂环境遮挡自身,同时行人检测的不准确进一步加大了查询任务的难度,使得行人再辨识面临很大的挑战性。通过利用外观属性信息以及行人姿态信息给予辨识度高的特定区域更多关注可以有效缓解辨识遇到的形变、遮挡等问题。而对于外观不易区分的行人进行再辨识时,探索其图像中不同语义特征之间的内在关系是十分必要的。本文分析了行人再辨识不同发展阶段的研究现状,以深度学习为基础,结合行人关键点的姿态估计模型,围绕遮挡和细粒度的行人再辨识问题展开了深入研究。本文的主要工作以及贡献如下:(1)提出了一种集成空间注意力和姿态估计的遮挡行人再辨识模型。为了同时兼顾全局特征以及局部特征,进行多细粒度特征表达,构建了多任务网络。通过空间注意力机制将感兴趣区域锚定到图像中未遮挡的空间语义信息,从全局结构模式中挖掘有助于再辨识的视觉知识;然后结合分块匹配的思想,将残差网络提取到的特征图水平均匀分割成若干块,通过局部特征的匹配增加辨识的细粒度;此基础之上,改进姿态估计器提取图像中行人的关键点信息与卷积神经网络抽取的特征图相融合,并设置阈值去除掉遮挡区域,得到辨识性强的特征,以消除遮挡对再辨识结果的影响。本文在遮挡数据集上验证了本文模型的有效性,实验结果表明本文提出的针对遮挡的模型具有良好的效果。(2)提出了一个结构化关系驱动的行人再辨识模型。具体的说,行人图像的属性特征之间以及其骨架部件之间都是高度相关的,图卷积神经网络可以构造它们的关系图,深度挖掘结构化关系。首先,本文提出了一个属性关系模块,挖掘行人不同属性之间的关系。每个属性特征对应于一个属性的约束损失来学习特定属性的特征。然后,每个学习到的特征将被视为图中的一个节点,利用一个线性图卷积传播节点信息;此外,依据人体的外形构造多层级姿态金字塔,并利用姿态对齐与连接构建自适应的结构关系挖掘图,藉以建模姿态点之间的内在关系。最后,设计了跨尺度图卷积网络来推断不同层部件之间的协作结构关系,并与属性关系模块融合特征来强化特征,以完成行人辨识。并且大量的消融实验验证了外在属性特征和内在姿态特征均有利于行人特征表达,相较于现有的模型表现出了明显的优势。

关键词：空间注意力姿态估计关系挖掘行人再辨识

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于新型三元卷积神经网络的行人再辨识算法

电子与信息学报 2018年第4期40卷 1012-1016页

作者：朱建清曾焕强杜永兆雷震郑力新蔡灿辉华侨大学工学院泉州362021 华侨大学信息科学与工程学院厦门361021 中国科学院自动化研究所北京100190

基于三元卷积神经网络的行人再辨识算法多数采用欧式距离度量行人之间的相似度,并配合铰链(hinge)损失函数进行卷积神经网络的训练。然而,这种作法存在两个不足:欧式距离作为行人相似度,鉴别力不够强;铰链损失函数的间隔(Margin)参数设... 详细信息

基于三元卷积神经网络的行人再辨识算法多数采用欧式距离度量行人之间的相似度,并配合铰链(hinge)损失函数进行卷积神经网络的训练。然而,这种作法存在两个不足:欧式距离作为行人相似度,鉴别力不够强;铰链损失函数的间隔(Margin)参数设定依赖于人工预先设定且在训练过程中无法自适应调整。为此,针对上述两个不足进行改进,该文提出一种基于新型三元卷积神经网络的行人再辨识算法,以提高行人再辨识的准确率。首先,提出一种归一化混合度量函数取代传统的度量方法进行行人相似度计算,提高了行人相似度度量的鉴别力;其次,提出采用Log-logistic函数代替铰链函数,无需人工设定间隔参数,改进了特征与度量函数的联合优化效果。实验结果表明,所提出的算法在Auto Detected CUHK03和VIPe R两个数据库上的准确率均获得显著的提升,验证了所提出算法的优越性。

关键词：行人再辨识深度学习三元卷积神经网络

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

行人再辨识关键技术

行人再辨识关键技术

作者：姚波怀北京邮电大学

学位级别：硕士

公共安全已成为人们最为关注的社会问题之一,监控摄像头被广泛应用于学校、商场、地铁、体育场、公园等人群密度较大的公共场所。因此,视频监控在公共安全中扮演着举足轻重的地位,它既可以用于公共安全事件的预防、应急、记录,还便于事... 详细信息

公共安全已成为人们最为关注的社会问题之一,监控摄像头被广泛应用于学校、商场、地铁、体育场、公园等人群密度较大的公共场所。因此,视频监控在公共安全中扮演着举足轻重的地位,它既可以用于公共安全事件的预防、应急、记录,还便于事后进行快速回溯、识别和搜索,进而成为平安城市建设中不可或缺的重要一环,具有极为现实的意义。行人再辨识是视频监控领域中一个具有挑战性的问题,其主要任务是跨摄像头中的行人的搜索与识别。本文提出了两种行人再辨识新方法,主要工作包括：1.将bagging的集成学习方法引入大间隔最近邻法(LMNN)中,提出了基于bagging-LMNN的行人再辨识算法。度量学习常被用于拟合摄像头之间的变化,然而传统的度量学习仅在某些样本及其特征空间上学习一个度量模型,很难拟合多种外观的变化。在本文中,我们将bagging的集成学习方法引入LMNN,提出了基于bagging的大间隔最近邻法。通过在子空间上学习并融合多个度量模型提高了行人再辨识的性能。本文提出了两种bagging策略,分别为基于样本bagging的大间隔最近邻法和基于特征bagging的大间隔最近邻法。在三个数据库上的实验表明本文的方法可以取得比现有代表性算法更好的性能。2.将度量矩阵的迹范数(Trace Norm)与大间隔最近邻法结合起来,提出了正则化的大间隔最近邻法(LMNN-T)。当前的度量学习算法在拟合不同摄像头间行人外观差异的过程中,经常陷入过拟合。为了缓解过拟合的问题,本文将度量矩阵的迹范数(Trace Norm)与大间隔最近邻法(LMNN)结合起来,提出了正则化的大间隔最近邻法(LMNN-T)。迹范数可以使得度量矩阵具有低的秩,从而缓解过拟合问题。同时,为了避免在降维过程中丢失关键的精细特征,我们将基于特征bagging的集成学习方法与其结合以维持图像特征的辨识度。在两个数据库上的实验表明本文的方法取得了比现有代表性算法更好的性能。

关键词：行人再辨识度量学习 bagging 迹范数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种用于行人再辨识的批次分块遮挡网络

小型微型计算机系统 2021年第7期42卷 1441-1446页

作者：张灿龙常松雨李志欣王智文广西师范大学广西多源信息挖掘与安全重点实验室广西桂林541004 广西科技大学计算机科学与通信工程学院广西柳州545006

提高行人再辨识任务识别性能的重要途径之一是通过卷积神经网络将全局特征和局部特征相结合,而现有的基于部件的方法主要是通过定位具有特定语义的区域来学习局部表示,这不仅增加了学习的难度,而且对于具有较大差异的场景难以学习到稳... 详细信息

提高行人再辨识任务识别性能的重要途径之一是通过卷积神经网络将全局特征和局部特征相结合,而现有的基于部件的方法主要是通过定位具有特定语义的区域来学习局部表示,这不仅增加了学习的难度,而且对于具有较大差异的场景难以学习到稳定的特征表示.本文提出了批次分块遮挡网络(Batch Part-mask Network,BPNet),该网络由全局特征分支和特征删除分支组成,并以Res Net-50作为主干网络.全局分支负责全局特征的编码任务,由第一分支和第二分支组成的批次分块遮挡分支则负责学习局部细节特征,BPNet网络将来自两个分支的特征连接起来,以提供更全面的空间分布特征表示.所提出的模型在行人再辨识任务上展现出良好的性能,将Duke数据集上的rank-1精度提高了1%-2%,达到了88.6%.将Market-1501数据集上的mAP精度提高了2%-3%,达到了86.3%.

关键词：行人再辨识卷积神经网络遮挡特征删除

基于区域稀疏注意力网络的行人再辨识方法研究

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

基于区域稀疏注意力网络的行人再辨识方法研究

作者：解盛广西师范大学

学位级别：硕士

行人再辨识可应用于刑探侦查、社会安保等领域。已有许多行人再辨识方法被提出,主要分为两大类:基于人工设计特征的行人再辨识方法和基于深度学习的行人再辨识方法。早期行人再辨识一般采用基于人工设计特征的方法,其算法理论性强且计... 详细信息

行人再辨识可应用于刑探侦查、社会安保等领域。已有许多行人再辨识方法被提出,主要分为两大类:基于人工设计特征的行人再辨识方法和基于深度学习的行人再辨识方法。早期行人再辨识一般采用基于人工设计特征的方法,其算法理论性强且计算量小,但由于此类特征需由人工设计,因此成本较高且易忽略行人特征。近年来深度学习方法的快速发展,为行人再辨识的应用提供了新的契机。将深度学习与行人再辨识结合,在免去大量人工成本的同时,可以使机器自动地去学习和优化行人特征,从而提高行人再辨识算法的性能。但由于行人照片的分辨率较低,且进行深度学习时,特征图尺寸不断变小的过程中会损失大量可用信息。鉴于人工设计特征与深度学习在行人再辨识已经取得的瞩目成绩,本文融合上述两个研究方向,提出了可用于行人再辨识的区域稀疏注意力网络,该网络通过采用随机区域批量遮挡的数据增强方法,以及嵌入了稀疏注意力机制这两种算法,可以有效避免卷积过程中必要的信息损失,主要方法如下:1)嵌入稀疏注意力的压缩激活网络。该网络是由压缩激活网络改进而来。首先将压缩激活网络中的压缩激活模块提取出来,对其进行归一化处理,由此生成注意力模块:归一化的压缩激活模块;然后将4个归一化的压缩激活模块分别应用到残差网络的5个卷积层之间;最后在5个卷积层之间再加入4条短连接,构建成嵌入稀疏注意力的压缩激活网络。实验表明,相对于压缩激活网络,本文提出的方法在行人再辨识数据集Market-1501上的Rank-1和mAP分别提高了4.2%和4.4%。2)采用随机区域批量遮挡的数据增强方法。该方法首先将一个训练批次的行人照片水平均匀分割为6个区域;然后将6个区域中的2个区域随机遮挡住,使得神经网络只需处理剩余的4个区域;最后对这4个区域进行全局最大池化处理后并进行分类。实验表明,相对于压缩激活网络,本文提出的方法在Market-1501上的rank-1和mAP分别提高了5.1%和7.8%。在多个行人再辨识数据集上的测试结果表明,嵌入稀疏注意力的压缩激活网络具有良好的特征提取能力,而批量地对行人图片进行随机区域遮挡也使得网络具备了关注微小特征的能力。这两种方法的结合在解决目标行人较小、行人背景复杂和不同行人相似的问题时,取得了较好的效果。

关键词：行人再辨识稀疏注意力随机区域遮挡批量归一化

集成分块遮挡和空间对齐的行人再辨识方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

集成分块遮挡和空间对齐的行人再辨识方法研究

作者：常松雨广西师范大学

学位级别：硕士

行人再辨识是计算机视觉领域的重要研究方向,属于图像检索的一个分支。主要任务是利用视觉算法（深度学习的方法）对几个不重叠无交叉设备下提取到的行人图像或视频进行配对,即当给定一个行人图像,在跨区域的视频监控系统中检索该行人... 详细信息

行人再辨识是计算机视觉领域的重要研究方向,属于图像检索的一个分支。主要任务是利用视觉算法（深度学习的方法）对几个不重叠无交叉设备下提取到的行人图像或视频进行配对,即当给定一个行人图像,在跨区域的视频监控系统中检索该行人图像。这一方向可广泛应用于视频监控、刑探侦查、智能安防等不同的社会领域。按方法类型的不同可将行人再辨识方法分为两类:基于非深度学习的行人再辨识和基于深度学习的行人再辨识。随着深度卷积神经网络的快速发展,基于跨模态、注意力机制、姿态估计、超分辨率和无监督的行人再辨识方法研究得到了蓬勃发展。然而,行人再辨识依然面临诸多挑战,例如,大规模数据的有效训练、行人外貌变化下的鲁棒性、无限制场景（遮挡、光照等变化）下的应用。为了解决以上问题,本文提出了批次分块遮挡网络和嵌入对齐模块的批次分块遮挡网络。1)批次分块遮挡网络由全局特征分支和特征删除分支组成,并以Res Net-50作为主干网络。其中全局分支用于对全局特征进行学习和编码,由第一分支和第二分支组成的批次分块遮挡分支是一个具有特征遮挡功能的双分支结构,对局部细节特征进行学习和编码。给定一个批次输入图像经主干网络计算得到的特征向量为T。第一分支中的批量擦除层会随机擦除张量中的同一区域,将擦除区域内所有位置的值都归为0。第二分支则会先将输入的特征图均分成上下两块,然后在每一块中随机地遮挡一小块,即将遮挡区域内的所有值设为0。设在特征图上应用第一分支和第二分支的擦除处理后得到的特征张量分别为T?和T?。此目的是学习多个关注的特征区域,而不是只关注主要的识别区域。增加了网络训练集的多样性,在多个数据集上检测效果都有明显提高。2)行人对齐网络是在批次分块遮挡网络的基础上对全局分支加了两个模块,分别是:映射估计网络和对齐分支。用映射估计分支来实现空间变换,将Res Net第四个卷积模块输出的大小为14*14*1024的特征图作为输入,输入映射估计网络进行卷积变换,输出为6维的向量?用于生成图像网格,解决背景过多和部分缺失的问题。对齐分支结构与主干网络类似,包含Res Net的第三卷基层和第四卷基层。对输入图像Xi,我们从原始图像和对齐后的图像中获得行人特征。行人更好的对齐可以学习到更多的判别特征,提高了行人匹配的准确性。将Duke数据集上的rank-1精度提高了1%-2%,达到了87.1%。将Market-1501数据集上的m AP精度提高了2%-3%,达到了86.4%。通过对多个大规模数据集的测试,结果表明本文提出的批次分块遮挡网络具有良好的鲁棒性,提高了行人检测的准确性。基于分块遮挡的行人对齐网络在具有较强提取局部特征能力的条件下,解决了输入行人图像的背景过多和部分缺失问题,使输入行人图像达到语义对齐,增强了提取全局信息的能力。这两种方法的提出在行人再辨识方向取得了较好的效果。

关键词：行人再辨识分块遮挡行人对齐全局特征

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合注意力网络的图像描述和行人再辨识研究

融合注意力网络的图像描述和行人再辨识研究

作者：周东明广西师范大学

学位级别：硕士

近年来,随着硬件计算能力的提高,深度学习在计算机视觉的浪潮中得到了快速的发展。当人们看到一张图片的时候,可以快速的依据自己的知识对图像语义信息做出理解。但是,如果希望机器像人一样对图像内容做出一定的判断,那么机器就需要大... 详细信息

近年来,随着硬件计算能力的提高,深度学习在计算机视觉的浪潮中得到了快速的发展。当人们看到一张图片的时候,可以快速的依据自己的知识对图像语义信息做出理解。但是,如果希望机器像人一样对图像内容做出一定的判断,那么机器就需要大量的数据进行学习,提取图像的特征,建立图像模型,对图像进行深度理解然后输出结果。为了关注图像中最丰富的视觉语义信息区域,研究人员在提出了注意力机制的概念。注意力机制在自然语言处理和图像深度理解任务中扮演着至关重要的角色,与人类的认知系统相一致。注意力机制广泛地应用于图像理解的各个方面中,比如,语义分割,图像描述,目标检测与跟踪和行人再辨识等领域。本论文旨在研究注意力机制在图像描述和行人再辨识领域中的应用。其中,图像描述可以理解为给出一张图生成一段文字描述,行人再辨识可以理解为跨摄像头下的图像检索。二者都是基于图像语义的深度理解之上,通过对图像内容的理解,模型输出预期的结果。本论文以注意力机制在图像理解应用中的两个子任务为研究内容,阐述了深度卷积神经网络和注意力网络相结合的基本步骤。然后对涉及到的关键技术进行分析,介绍了注意力机制在图像理解两个子任务中的应用方法,以及该方法存在的不足,在此基础之上进行改进。本论文的主要工作为:1)提出了一种基于多层级视觉融合的图像描述模型。在视觉策略网络中通过多层级子神经网络模块将视觉特征转化为视觉知识的特征集。融合网络生成使描述语句更加流畅的虚词,用于视觉策略网络和语言策略网络的交互。在语言策略网络中使用基于强化学习的自批评策略梯度算法对视觉融合网络实现端到端的优化。在融合网络中设计的自适应注意力机制,可以有效的减少非视觉信息梯度对视觉信息梯度的干扰,加快网络训练过程的收敛。最后在语言策略网络中运用强化学习优化暴露偏差和误差累积等问题。通过在多个开源的数据集上进行定量分析和定性分析,以及和其他模型方法进行比较,充分验证了模型的有效性。2)提出了一种基于局部注意力机制和语义解析的行人再辨识模型。由于受行人姿态变化、光照视角和背景等因素的影响,行人再辨识在图像理解领域是一项充满挑战性的任务。为了提高辨识的精准度,最近的研究通过对数据集中的行人分成若干块提取图像的局部特征进行辨识。但此类方法存在着人体局部特征不匹配,以及会丢失非人体部分的上下文线索等问题。为了解决以上问题,本论文首先运行一个语义分割模型图像进行分割,然后将分割后特征图在进行分块,利用精确的局部特征增加人体语义解析对任意轮廓的建模能力。此外,考虑到局部区域的遮挡物体对图像理解的重要性,使用局部注意力网络捕捉非人体部分丢失的语境线索。最后在三个主流的数据集上进行大量的定量实验和消融实验,验证了模型的有效性和分析了局部注意力机制对模型的贡献。

关键词：注意力机制卷积神经网络强化学习行人再辨识行人语义解析

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空信息重排序的行人再辨识算法研究

基于时空信息重排序的行人再辨识算法研究

作者：李重义北京交通大学

学位级别：硕士

近年来,行人再辨识因为其在公共安全领域的重要性而受到了越来越多的关注,它的目的是判断视野不重叠的不同摄像头采集到的行人图像是否属于同一个身份。然而,由于不同摄像头之间诸多变量,例如人体姿态,摄像头角度或者光照的变化,使得行... 详细信息

近年来,行人再辨识因为其在公共安全领域的重要性而受到了越来越多的关注,它的目的是判断视野不重叠的不同摄像头采集到的行人图像是否属于同一个身份。然而,由于不同摄像头之间诸多变量,例如人体姿态,摄像头角度或者光照的变化,使得行人再辨识问题仍然没有得到解决。首先,在目前已有的行人再辨识工作中,大部分都假定行人图像是对齐了的,因此将两张图像进行特征提取后直接进行距离的计算。然而事实上由于自动检测算法的问题,行人图像之间并不是完全对齐的。而特征对齐在行人再辨识任务中其实有着非常重要的地位,完成特征对齐后能使得识别的准确率得到提高。其次,目前的绝大部分针对行人再辨识任务设计的方法都将计算得到的初始排序列表作为最终的最优结果,这显然是有些欠考虑的。一般来说,初始列表都是次优的,其中还有一些潜在的信息可以挖掘出来进一步的优化初始排序列表,从而得到一个更加精确的结果。本文主要是基于深度学习的特征对齐方法以及重排序方法进行了研究,主要完成的工作如下:(1)本文引入了姿态估计模型来检测关键点,通过检测到的关键点分割出人体的局部部分,分别利用局部部分进行训练,学习到局部的有判别性的特征,然后将局部特征连接起来,从而达到局部特征对齐的结果。最终将全局信息和局部信息结合起来,通过它们互补的性质,从而提高提取到的特征的鲁棒性和泛化能力。(2)本文提出了一种新颖的基于时空信息的重排序算法,不同于已有的重排序算法,本文通过在重排序阶段引入时空信息,将其作为辅助信息用以优化初始排序列表。本文提出的重排序算法不需要任何人为的反馈,并且仅仅需要很容易被存储在图片名字中的时空信息,所以本文提出的重排序算法可以实行到任意的基准方法上去提升性能。(3)针对本文所提出的网络框架和重排序算法,本文在多个数据集上完成了实验,并与一些现有方法进行了对比,从而证明了本文所提出的框架和算法的性能。

关键词：行人再辨识深度学习局部对齐重排序时空信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的行人再辨识

基于深度神经网络的行人再辨识

作者：袁瀚北京邮电大学

学位级别：硕士

监控系统在人们的日常生活中扮演着越来越重要的角色。然而,海量冗长的监控视频使得人工辨识成为一件费时费力的工作。如今,人们对智能监控的需求与日增长,对监控目标进行自动定位与识别更是吸引了众多研究者的目光。行人再辨识技术(Per... 详细信息

监控系统在人们的日常生活中扮演着越来越重要的角色。然而,海量冗长的监控视频使得人工辨识成为一件费时费力的工作。如今,人们对智能监控的需求与日增长,对监控目标进行自动定位与识别更是吸引了众多研究者的目光。行人再辨识技术(Person re-identification)更是由于极具挑战性而受到广泛关注。行人再辨识是一种在跨摄像头条件下对感兴趣行人进行快速搜索与匹配的技术,面临特征提取和表示,相似度度量等一系列难题。本文针对上述难题,引入深度学习技术对行人再辨识进行了较深入的研究,主要工作如下:第一,提出了一种基于词袋模型和深度特征的行人再辨识算法。利用卷积神经网络的卷积层输出作为图片的局部描述子替代了传统词袋模型中的SIFT、SURF等人工设计特征。在Market-1501数据集上的对比试验表明,本文提出的局部特征较人工设计特征具有更稳定的特征表示能力。第二,提出了一种基于改进的三元组深度网络的行人再辨识算法。构建了一种新的TripleNet loss函数,在对负样本对间距离与正样本对间距离之差进行约束的同时,加入了对正样本对间距离本身的约束。与采用标准三元损失函数的深度网络相比,提出的网络在VIPeR、CUHK01等公共数据集上都取得了更好的性能,模型的泛化能力也更强。

关键词：行人再辨识词袋模型卷积神经网络三元损失函数