检索结果-南通市图书馆

激光与光电子学进展 2022年第24期59卷 224-231页

作者：陈昊张宝华吕晓琪谷宇王月明刘新任彦李建军张明内蒙古科技大学信息工程学院内蒙古自治区包头014010 内蒙古工业大学信息工程学院内蒙古自治区呼和浩特010051 内蒙古自治区模式识别与智能图像处理重点实验室内蒙古自治区包头014010

传统无监督域自适应行人重识别算法,抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题,提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声,利用并行网络的预测值作为软标签,通过交叉校对方... 详细信息

传统无监督域自适应行人重识别算法,抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题,提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声,利用并行网络的预测值作为软标签,通过交叉校对方式对伪标签噪声进行纠偏,为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力,利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理,实现源域数据到目标域的风格转换,并结合实例和批量归一化网络解决残差网络域自适应性差的问题,增强网络对源域和目标域的泛化能力。实验结果表明,所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能,明显优于相关算法。

关键词：光计算软伪标签多尺度特征重构哈达玛积特征融合实例和批量归一化网络行人重识别

来源：

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

基于伪标签和特征融合的无监督行人重识别

基于伪标签和特征融合的无监督行人重识别

引用

作者：陈昊内蒙古科技大学

学位级别：硕士

随着人工智能不断发展,监控摄像在日常生活中逐渐普及,智能监控系统对保障公共治安和人民生命财产安全起着日益重要的作用。行人重识别是智能安防应用的关键技术之一,这对于促进公共安全是非常有意义的。行人重识别技术是指对某一特定... 详细信息

随着人工智能不断发展,监控摄像在日常生活中逐渐普及,智能监控系统对保障公共治安和人民生命财产安全起着日益重要的作用。行人重识别是智能安防应用的关键技术之一,这对于促进公共安全是非常有意义的。行人重识别技术是指对某一特定的行人图像进行目标识别,采用计算机视觉技术,对不重叠区域内多个监控摄像头进行检索,由此达到跟踪行人的目的。基于监督学习的单域行人重识别算法在单域场景中已经达到出色性能,但在跨域数据集上性能差且数据标注难度大。因此,无监督行人重识别算法逐渐受到了研究者的关注。无监督学习算法主要有完全无监督学习与无监督域自适应两种,与前者相比只利用目标域数据集进行训练,无监督域自适应方法使用辅助数据集进行训练,更具有实际应用意义。现有大多数无监督域自适应算法都是在目标域上使用无标签样本通过聚类算法生成伪标签,并作为监督信息对网络进行训练,然后再对其进行微调。虽然近年来伪标签算法性能逐步提升,但该类方法未能充分利用源域监督信息,训练和测试过程中极易受到伪标签噪声影响,使得模型性能较差。为解决上述无监督域自适应行人重识别存在的问题,本文主要工作包含以下两个方面:传统无监督域自适应行人重识别算法,抑制伪标签噪声效果差、域间泛化能力弱。针对上述问题,本文提出一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声,利用并行网络的预测值作为软标签,通过交叉校对方式对伪标签噪声纠偏,为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力,利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理,实现源域图像向目标域的风格转化,并结合实例批量归一化网络,解决残差网络域自适应性差的问题,增强网络对源域和目标域的泛化能力。实验结果表明,本文方法在无监督域自适应任务中都取得了较好的性能,明显优于相关算法。无监督域自适应行人重识别任务中,为充分发掘源域数据间分布关系信息,降低伪标签硬量化损失,本文提出一种基于分布一致性和多标签协同学习的跨域行人重识别算法,为保持表观特征和样本分布关系的一致性,构建“软”二元交叉熵损失函数(分布一致性损失函数)约束跨域转换的样本间关系,生成跨域特征信息(表观信息、分布关系信息)对齐的训练样本,在此基础上,生成对齐目标域的预训练模型;为减少跨域硬伪标签噪声和背景噪声的干扰,构建多标签协同学习网络,通过前景特征和全局特征协同训练生成多软伪标签引导网络训练。通过上述步骤,克服跨域行人重识别中的域漂移问题。实验结果表明,本文所提方法明显优于新近代表性方法。

关键词：行人重识别域自适应分布一致性软伪标签多标签

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于潜在有价值样本挖掘的半监督三维目标检测

引用

计算机应用研究 2024年

作者：孙立辉李佳霖刘夏河北经贸大学管理科学与信息工程学院

为了解决当前半监督三维目标检测算法中，传统的固定阈值方法在过滤伪标签时不够灵活，舍弃了大量有价值的伪标签，没有充分利用潜在有价值样本的问题，提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先，不再使用固定... 详细信息

为了解决当前半监督三维目标检测算法中，传统的固定阈值方法在过滤伪标签时不够灵活，舍弃了大量有价值的伪标签，没有充分利用潜在有价值样本的问题，提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先，不再使用固定阈值过滤伪标签，采用基于得分聚类的自适应阈值生成方法，分别为不同的类别生成过滤伪标签时需要的阈值，保留更多有价值的伪标签。其次，由于标签由类别和边界框信息组成，提出了一种联合置信度过滤伪标签的方法，使用对象置信度、分类置信度和IoU置信度的乘积来过滤伪标签，改善伪标签的质量。最后，对样本数量较少的类别生成稠密伪标签，筛选未通过联合置信度过滤的部分数据，以软伪标签的形式保留伪标签，更充分利用潜在有价值的样本。在KITTI数据集上，与PV-RCNN方法相比，所提方法在仅1%标记数据的情况下，汽车类提高了6.5%，行人类提高了9%，自行车类提高了25%，实验结果证明了所提方法的有效性。

关键词：目标检测半监督稠密伪标签阈值软伪标签

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度哈希的分层图像检索方法研究

基于深度哈希的分层图像检索方法研究

引用

作者：刘征奇安徽大学

学位级别：硕士

随着信息化的发展,计算机视觉领域中的传统方向——图像检索面临巨大的挑战。大数据时代下,互联网在提供便利的同时,也在时刻产生海量数据。其中,图像数据占据了大量的份额。针对海量图像数据的检索任务,图像哈希技术通过将图像特征压... 详细信息

随着信息化的发展,计算机视觉领域中的传统方向——图像检索面临巨大的挑战。大数据时代下,互联网在提供便利的同时,也在时刻产生海量数据。其中,图像数据占据了大量的份额。针对海量图像数据的检索任务,图像哈希技术通过将图像特征压缩到低维空间并利用汉明距离完成度量,能够有效减少存储成本并增强检索效率。针对如何进一步加快图像检索速度并提高检索精度进行分析与研究,提出了两种基于深度哈希的分层图像检索算法,主要贡献如下:(1)基于深度哈希的分层极化网络的图像检索算法研究:提出了一个分层极化网络(Hierarchical Polarized Network,HPN)用于学习精确的层次化的哈希码。该网络可以生成精确的超类特征和与超类对应的子类特征,检索时通过分层检索的方式加快检索速度。同时用一个可微分的多级极化损失函数来优化网络,以使图像特征输出更偏离零,该损失函数不用成对或三元组的数据,可以使网络模型学习哈希码的过程更简单。为了进一步提高哈希码的辨别能力,提出了分步更新、自适应更新和三元赋值三种策略。大量的实验表明,提出的HPN可以很好地学习到高辨别能力的哈希码,提高图像检索精度的同时也极大加快了检索速度。该算法在CIFAR-100、miniImageNet和DeepFashion三个公开数据集上的检索精度和速度均优于现有的基于哈希和分层的图像检索方法。(2)基于多级软伪标签的无监督哈希分层图像检索算法研究:提出了一个基于多级软伪标签的无监督哈希分层图像检索算法(Multi-level Soft Pseudo-label-based Unsupervised Hierarchical Hashing,MSPL-UHH),用于生成图像的多级软伪标签,学习多级哈希码。由于HPN中使用的分层检索技术需要用到数据集的多级语义信息,而通常的数据集仅有单一的标签,如果手工划分多级标签需要耗费大量的人力,因此本文使用无监督的方法来为图像数据生成多级标签。而为了使生成的多级标签更符合图像本身的语义,我们采用软伪标签类型,因为软伪标签可以表示不同的类间距离,同时类内距离可以用局部相似度矩阵描述,比单一的独热标签包含更多的语义信息。通过大量的实验,验证了在没有标签的情况下,基于多级软伪标签的无监督哈希分层图像检索也能取得不错的效果。

关键词：图像检索深度哈希分层结构软伪标签无监督学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：