检索结果-南通市图书馆

光电工程 2020年第12期47卷 13-22页

作者：张宝华朱思雨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

跨摄像头场景中依赖面向标签映射关系的学习以提高识别精度,有监督行人重识别模型虽然识别精度较好,但存在可扩展问题,诸如算法识别精度严重依赖有效的监督信息,算法实时性差等;针对上述问题,提出一种基于软多标签的无监督行人重识别算... 详细信息

跨摄像头场景中依赖面向标签映射关系的学习以提高识别精度,有监督行人重识别模型虽然识别精度较好,但存在可扩展问题,诸如算法识别精度严重依赖有效的监督信息,算法实时性差等;针对上述问题,提出一种基于软多标签的无监督行人重识别算法。为了提高标签匹配精度,首先利用软多标签逼近真实标签,通过计算参考数据集和参考代理在软多标签函数中的损失函数,预训练参考数据集,并构建预训练与训练结果的映射模型。再通过生成数据和真实数据分布的最小距离的期望即简化的2-Wasserstein距离计算相机视图中软多标签均值和标准差得到损失函数,解决跨视域标签一致性问题。为了提高软多标签对未标记目标数据集的有效性,计算联合嵌入损失,挖掘不同类别间的相似对,纠正跨域分布错位。针对残差网络训练时长和无监督学习精度低的问题,通过结合压缩激励网络(SENet)和多层级深度特征融合改进残差网络的结构,提高训练速度和精度。实验结果表明,该方法在标准数据集下的首位命中率和平均精度均值优于先进相关算法。

关键词：残差网络行人重识别软多标签无监督深度特征

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

基于深度学习的行人再识别方法研究

基于深度学习的行人再识别方法研究

引用

作者：杨伟平北京建筑大学

学位级别：硕士

近年来,城市智能化的发展越来越成熟,各大城市都部署了大量的高清监控摄像头,由此获取了大量的视频信息。其中行人数据的智能化分析和利用已经成为了一个重要的研究课题,而行人再识别是指使用计算机视觉技术来确定多个不重叠区域监视摄... 详细信息

近年来,城市智能化的发展越来越成熟,各大城市都部署了大量的高清监控摄像头,由此获取了大量的视频信息。其中行人数据的智能化分析和利用已经成为了一个重要的研究课题,而行人再识别是指使用计算机视觉技术来确定多个不重叠区域监视摄像机系统中特定行人的身份。本文针对基于深度学习的行人再识别技术进行探讨和研究,主要内容如下:(1)多尺度融合的轻量级行人再识别算法目前基于监督学习的行人再识别网络虽然准确率较高,但是在实际应用中存在硬件资源需求较大和运行效率较低的问题。因此,本文设计了轻量级行人再识别网络模型,使用4个卷积块逐级提取图像从底层细节信息到高层语义信息不同尺度的特征,经过池化操作后将不同尺度的特征信息进行融合处理。融合特征再输入全局注意力模块,通过设置不同的权重参数过滤掉辨识能力差的特征信息,以优化融合后的特征。结果表明,和主流网络架构相比,参数数量减少达到一半以上,并且识别准确率高于传统基准方法。(2)基于局部补偿软多标签的无监督行人再识别算法基于监督学习的行人再识别算法需要大量的人工数据标注,在实际应用中的可扩展性较差。针对缺乏数据标注而导致的算法识别能力下降等问题,本文提出了一种学习局部补偿软多标签的无监督方法,主要由全局聚类、局部聚类和多标签分配组成。在聚类过程中,将局部聚类的结果补偿到全局聚类中,使模型能够充分学习到行人更多的局部特征信息。同时,使用模糊聚类生成软多标签,解决了大量正样本被丢弃的问题,并设置了跨域激励参数以解决域间视图中的背景干扰等问题。结果表明,该方法优于目前常见的无监督学习网络模型。(3)基于人体姿态增强软标签学习的半监督行人再识别算法基于无监督学习的行人再识别算法虽然可以解决数据标注缺乏的问题,但是因其完全舍弃标签信息,导致识别准确率不够理想。所以,本文使用少量标签信息来优化无监督学习,设计了一种基于半监督学习的行人再识别网络,并利用人体姿态增强进行软标签学习。首先使用有标签数据训练一个准确的行人姿态引导的遮挡预测器,可以在无标签训练时有效地屏蔽遮挡产生的影响;然后,在结合预测器生成准确的特征向量后,计算特征亲和度矩阵,并生成软标签信息来优化网络。在三个公共数据集Market-1501、Duke MTMC-re ID和MSMT17上进行了实验,结果表明了该方法的有效性和可靠性。

关键词：行人再识别轻量级网络注意力机制软多标签半监督学习

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

车辆再识别关键技术研究

车辆再识别关键技术研究

引用

作者：李程刚北京邮电大学

学位级别：硕士

近年来,随着车辆数量和使用频率的大幅提升以及监控设备的广泛应用,车辆再识别作为从监控视频获取车辆信息的重要技术手段之一逐渐成为研究热点。车辆再识别旨在从多个图像来源中查找属于同一目标车辆的样本,本文围绕车辆再识别的三个... 详细信息

近年来,随着车辆数量和使用频率的大幅提升以及监控设备的广泛应用,车辆再识别作为从监控视频获取车辆信息的重要技术手段之一逐渐成为研究热点。车辆再识别旨在从多个图像来源中查找属于同一目标车辆的样本,本文围绕车辆再识别的三个关键问题进行了较深入地研究,主要内容包括:在基于单帧图像的车辆再识别中,提出了一种融合逻辑斯蒂三元组损失与标签平滑交叉熵损失的损失函数,提高了车辆再识别的精度。在传统三元组损失基础上,提出逻辑斯蒂三元组损失,挖掘车辆数据中困难样本的内在信息与类间差异;利用标签平滑方式增强传统交叉熵损失的鲁棒性;同时结合了细粒度分类与度量学习的优点。针对序列图像的车辆再识别,提出了一种基于时域注意力机制的序列特征融合算法,提高了车辆序列特征的表示能力。在基于无监督学习的车辆再识别中,针对目标数据集不同层级的语义特性,提出了一种包含软多标签的三元组损失函数,同时利用了特征参考正则化方法,提升了深度模型的泛化能力,多个数据集上实验结果验证了算法的有效性。

关键词：车辆再识别逻辑斯蒂三元组损失时域注意力时空特征融合软多标签

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

基于深度残差网络的无监督行人重识别

基于深度残差网络的无监督行人重识别

引用

作者：朱思雨内蒙古科技大学

学位级别：硕士

行人重识别是行人跟踪的延伸研究方向,即跨镜跟踪。与行人跟踪结合可以将小段运动轨迹整合为整段运动轨迹,有利于后续的分析。基于深度学习的行人重识别研究需要海量数据,人工标注图像需要耗费巨大的人力和时间,因此基于无标签目标数据... 详细信息

行人重识别是行人跟踪的延伸研究方向,即跨镜跟踪。与行人跟踪结合可以将小段运动轨迹整合为整段运动轨迹,有利于后续的分析。基于深度学习的行人重识别研究需要海量数据,人工标注图像需要耗费巨大的人力和时间,因此基于无标签目标数据的无监督行人重识别受到广泛关注,本文针对无监督算法精度较低,提出基于软多标签的改进深度残差网络算法,通过软多标签解决无监督中目标无标签问题,并且改进残差网络提高识别精度,通过实验验证,与相关算法相比本文算法有较大的精度提升。本文详述了行人重识别技术在无监督学习和跨域方向的相关研究成果,并针对目前存在的问题改进研究。首先对目标数据集无标签问题,采用参考代理和软多标签学习的方式为目标行人学习软多标签,即比较目标特征与参考行人特征,因此特征学习是研究的关键点。在特征提取中,使用深层残差网络提取深层特征;使用空间通道注意力模型为特征加权突出重要性特征;进一步通过融合网络提取的深层特征和浅层特征,实现信息互补,得到更精准的特征表示。再根据特征表示计算损失函数,其中跨摄像头损失函数减小不同摄像头下同一行人的软多标签差异;跨域损失函数减小目标域和参考域间的差异,使学习到的软多标签更准确;最后通过软多标签相似度和特征相似度计算距离损失函数,减小类内差异,扩大类间距离。通过加权求和计算三个损失函数得到最终的损失值,再使用改进的自适应矩估计优化算法迭代模型参数,最终得到最小损失值和达到更快的收敛速度。本文对上述方法进行实验验证,首先验证参考数据集对算法实验的重要性;其次验证在网络中加入注意力模型的精度效果;之后对残差网络进行特征融合实验,找到最优融合方式;再对损失函数进行消融实验,验证每个损失函数的作用和重要性;最后进行优化算法对比实验,根据损失值曲线图证明本文中优化算法的有效性,本文为推进研究成果转化提供了理论支持。

关键词：行人重识别软多标签注意力机制特征融合优化算法

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：