基于能量模型的行人与车辆再识别方法

为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法. 利用样本特征空间中同类样本的低能量分布特性, 设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应, 提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离. 在多个行人再识别和车辆再识别数据集上的测试结果显示, 相对于Soft-max和Triplet混合损失函数, 利用能量模型可以提升网络训练效率,提高目标再识别准确率.     

基于车辆关键部位特征的再识别算法

图像识别任务中,要想得到更具辨识度的特征的前提是精准定位到关键位置,汽车的车顶、车窗、前脸为车辆最关键的3个部位。将一种PCB-LS方法用于车辆再识别,基于提取局部特征的思想,使用ResNet50的主干网络提取特征图,然后将特征图平均划分为3个部分,对于3个部位分别训练分类器;对于模型在训练集中出现的过拟合现象,采用标签平滑的正则化方法降低模型对训练集样本的信任度,提高模型在测试集上的准确率;使用VeRi776数据集进行训练和测试,使用PCB-LS方法在测试集上能达到准确率Rank@1、Rank@5、Rank@10分别为93.62%、96.72%、97.74%,mAP为76.17%。PCB-LS方法不仅能获得辨识度高的特征,还有很好的泛化能力。     

基于迁移学习的SAR图像车辆目标识别方法研究

针对卷积神经网络因参数随机初始化引起的收敛慢和过拟合的问题,提出了一种基于迁移学习的卷积神经网络模型.将小样本的数据作为源域的训练样本,将源域训练得到的模型的参数作为目标域模型的初始参数,大样本数据作为目标域的训练样本进行网络微调,实现从源域到目标域的信息迁移.在卷积神经网络中采用神经元丢弃法和组合小卷积核代替大卷积核的方式,减少网络的参数,加快收敛速度,并且抑制过拟合问题.实验采用移动与静止目标搜索识别数据集,该数据集分为十类合成孔径雷达图像车辆目标,以数据集中的三类目标数据作为源域训练样本,十类目标数据作为目标域训练样本,实验结果表明,提出的方法在十类目标识别精度上达到了98.39％,同时具有较快的收敛速度.     

元学习框架下基于圆损失度量的行人重识别模型

提出一种元学习框架下基于圆损失度量的行人重识别模型,以元学习的方式对行人重识别问题进行建模,同时使用改进的圆损失进行度量学习,改善样本之间距离的 自适应优化效果.首先,构建基于元度量学习的模型学习过程,按照逐个子任务的学习方式,在子任务中划分查询样本和支持集样本,将样本映射到向量空间.其次,在向量空间中计算查询样本与支...     

基于转矩的车辆负载识别方法

通过分析汽车行驶方程式中驱动力和外界阻力之间的相互关系,对传统车辆负载的概念进行了扩展,提出了一种能够综合反映自动变速车辆行驶过程中坡道、载荷、空气和滚动阻力等信息,基于转矩的广义负载识别方法。此方法基于车辆常用传感器,通过实时计算当前变速箱输出轴转矩和零负载工况下阻力转矩和之间的差值来识别广义负载。详细阐述了负载识别方法的基本原理,分析了外界工况和识别结果之间的相互关系,并给出了具体的负载识别实现步骤。整车实验结果表明,此方法方便可行,准确可靠,能够有效识别自动变速车辆行驶过程中的负载信息。     

基于车辆脉冲响应的路面不平度识别方法

基于车辆脉冲响应,提出了利用车辆动态响应识别路面不平度的方法。首先,以路面不平度为输入,推导了基于脉冲响应函数的车辆响应计算公式。然后,将脉冲响应函数离散为矩阵的形式,建立了基于脉冲响应矩阵的不平度识别线性方程。同时,考虑前、后轮所经历的路程存在一段重合的特点,构建了前、后轮位置相关性矩阵,降低了待识别的未知数数目。接着,鉴于不平度一般为连续函数的特点,利用荷载形函数的思想,进一步降低待识别的未知数数目,并提高对噪声的鲁棒性,实现路面不平度的实时识别。最后,利用数值仿真和试验验证了本文方法的有效性。     

基于遗传算法的车辆参数识别方法

为了识别桥梁交通振动试验中行走车辆的参数,提出基于遗传算法的参数识别方法.利用小波变换方法由车辆自由衰减振动响应获得车辆的模态参数,进一步联合应用遗传算法及复数特征值计算方法,由模态参数反算车辆的转动惯量性质、刚度以及阻尼系数等物理参数.通过3组模拟数据的计算分析,验证了遗传算法用于车辆参数识别的有效性.以实际车辆的振动试验实测结果为例,检验了遗传算法在车辆参数识别中的适用性.算例以及应用实例表明：应用遗传算法能精确识别出车辆的物理参数.     

基于特征融合和集成学习的隧道内车辆视频识别方法

随着数字视频技术在交通领域的广泛应用,视频车辆识别成为了一个"ITS"领域的基础问题.视频图像中的车辆识别是一个典型的分类学习问题,针对这一问题,提出一种基于特征融合和集成机器学习的车辆识别算法.该方法首先获取视频序列中的兴趣区域;然后对兴趣区域提取纹理特征、Hu不变矩特征和小波特征,将这些特征组合成一种新的特征向量;然后将组合特征向量作为BP神经网络输入进行训练得到基分类器,最后利用Adaboost方法将BP神经网络集成得到强分类器.对所用方法进行了实验对比分析,其统计正检率、误检率、漏检率以及准确率等多参数结果均优于其他两种算法,实验验证该方法具有较好的识别率和鲁棒性.     

基于车辆响应的路面不平度识别方法

针对路面不平度识别的问题,研究了基于车辆响应的NARX神经网络识别方法及其适用性。建立了汽车振动系统4自由度平面模型,通过仿真获得车辆响应和车轮路面不平度。对于NARX神经网络及其应用选择、输入方案优化和评价指标进行了研究,提出了车辆响应选择和组合优化的解决方案。采用NARX神经网络识别了常用的B级路面和车速为60 km/h下某轿车的前轮路面不平度,其相关系数和均方根误差分别达到96.75%和0.003 3。考虑了训练采样点数、车辆响应随机噪声、车速和路面等级的变化对训练完成的NARX神经网络效果的影响,说明了基于车辆响应识别路面不平度的NARX神经网络方法的适用性。研究结果表明,采用正交试验设计确定NARX神经网络优化输入方案和基于车辆响应识别路面不平度取得了满意的结果,两者具有良好的适用性。     

度量学习改进语义自编码零样本分类算法

为改善零样本图像分类中相似度度量方法的鲁棒性,引入了一种用于零样本分类的度量学习方法.该方法由自编码构成,能在特征对齐后的语义嵌入空间中学习到最优的度量函数,用于计算测试样本特征和类标签的语义特征的相似度;然后利用近邻思想预测类别标签,进而避免产生不合适距离函数导致的分类错误.实验结果表明,与传统距离度量的算法相比,所提出的方法降低了识别错误率,在公开数据集AWA、CUB和ImNet-2上的分类准确率分别达到94.7%、63.7%和28.59%;同时表明了语义-视觉的映射方向比相反方向的识别准确率高出2.5%~10.1%.     

基于深度学习的多模态行人重识别综述

行人重识别(Re-ID)旨在跨像机检索同一目标行人,它是智能视频监控领域的一项关键技术.由于监控场景的复杂性,单模态行人重识别在低光、雾天等极端情况下的适用性较差.因实际应用的需要以及深度学习的快速发展,基于深度学习的多模态行人重识别受到了广泛的关注.本文针对近年来多模态行人重识别的发展脉络进行综述:阐述了传统单模态行人重识别方法存在的不足;归纳了多模态行人重识别的常见应用场景及其优势,以及各数据集的构成;重点分析了各种场景下多模态行人重识别的相关方法及其分类,并探讨了当前研究的热点和挑战;最后,讨论了多模态行人重识别的未来发展趋势及其潜在应用价值.     

基于新的MDO方法的整车抗撞性设计及优化

多学科设计优化(Multidisciplinary design optimization,MDO)方法能够有效解决大规模复杂工程系统的设计问题,为了更好地处理经常遇到的准可分MDO问题,提出了一种基于罚函数的两级交替优化方法(Two-level alternating optimization method based on penaltyfunction,PAO)。PAO基于分解协调策略,首先将准可分MDO问题分解为一个系统级问题和多个子系统级问题,然后通过交替求解达到子系统间的一致性。首次使用PAO方法对整车抗撞性进行设计优化,计算结果验证了该方法的有效。     

面向不平衡问题的集成特征选择

传统的特征选择方法基本上是以精度为优化目标,没有充分考虑数据样本类别分布倾斜性,在数据分布不平衡的数据集上性能表现不理想。在不平衡数据集上通过有放回的抽样方法独立地从数据集大类样本集中随机抽取多个样本子集,使每次随机抽取的样本数量与小类样本数量一致,然后将各抽取的样本子集分别与小类样本集组合成多个新的训练样本集。对多个新样本集的特征子集以集成学习的方式采用投票机制进行投票,数据集的最终特征子集以得票数目超过半数的特征共同组合而成。在UCI不平衡数据集上的实验结果显示,提出的方法表现出了较好的性能,是一种能够处理不平衡问题的有效特征选择方法。     

奇异值分解与中心度量的细粒度车型识别算法

针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征;其次,提出一种学习不同特征的融合损失方法,将中心距离损失和分类损失进行加权融合,使得学习的特征类内之间的距离更小。实验表明,该方法使用 Residual Network(ResNet)框架在Cars-196细粒度车型数据集上测试,准确率能够达到93.02%,优于目前表现较好的双线性和注意力模型。扩展实验证明该方法同样适用于其他网络框架。     

基于宽度学习系统的fMRI数据分类方法

提出基于宽度学习系统的功能性磁共振成像（fMRI）数据分类方法,通过简单结构提取fMRI数据的深层特征,加快分类速度. 使用fMRI中感兴趣区域体素均值的时间序列构造输入数据,分别提取fMRI数据的浅层和深层特征,映射为宽度学习的特征节点和增强节点并构建模型框架,利用岭回归逆计算分类模型的连接权值,实现对fMRI数据的分类. 使用ABIDE Ⅰ、ABIDE Ⅱ和ADHD-200数据集,将所提方法与6种分类方法进行对比实验,结果表明,所提方法可以在保持良好的分类准确率的同时,大幅度降低训练时间.     

基于伴生与互补颜色特征的车牌字符分割新方法

针对车牌区域的伴生与互补的颜色特征，提出一套字符分割的新算法、该算法利用定位到的车牌区域的原始颜色特征，直接进行字符及背景的提取，完成2值化过程，避免了图像处理过程中带来的误差，因此产生的噪声较少；最后利用垂直积分投影进行字符分割．对200幅从交通卡口获取的真实的彩色图像进行试验，算法对车牌破损，污垢、铆钉及字符粘连、过饱和等造成的影响均不敏感，其准确性，鲁棒性及实用性均较好．     

基于模糊神经网络的混联式混合动力汽车驱动系统工作状态控制研究

通过分析混联式混合动力汽车理想工作模式的控制,提出了一种新型的汽车驱动系统工作模式的控制方法——模糊神经网络控制.采用模糊神经网络能够自适应的控制汽车驱动模式工作状态的切换,能够节能减排,提高发动机的动力.利用Matlab/Simulink建立模糊神经网络控制模型,仿真实验结果表明,该控制方法达到了预期的目的,具有较好的效果.     

核心集径向基函数极限学习机

径向基函数极限学习机(radial basis function-extreme learning machine, RBF-ELM)中的两个参数都随机地生成,这导致RBF-ELM算法的不稳定性问题。另外,对于不同的数据集,难于确定隐含层结点的个数。针对RBF-ELM的这两个问题,提出了一种改进算法。首先用核心集方法选择重要的样例,然后用选择的样例初始化中心参数,宽度参数采用随机化方法初始化。该算法不仅可以在一定程度上解决RBF-ELM的不稳定性问题,而且可以确定隐含层结点的个数。试验结果表明:该算法优于RBF-ELM。