基于奇异值分解行人对齐网络的行人重识别

为解决行人重识别的训练数据集中自动检测出的行人图像背景过大和行人部分缺失的错位现象问题,使用空间变换网络层对图像错位进行处理。为优化整个网络的深度学习过程,提高图像检索能力,增加网络特征层,使用奇异值向量分解方法对其进行处理。将行人对齐网络和奇异向量分解相结合,构造奇异值分解行人对齐网络,既可解决图像错位问题,又提高图像特征的相似性度量的效果。在Market1501、CUHK03和DukeMTMC-reID数据集上进行试验,并与行人对齐网络和其他深度学习与非深度学习的行人重识别方法进行比较,试验结果中整个网络的平均检索精度和行人图像第一次匹配正确的概率平均达到了65%和80%左右,这表明奇异值分解行人对齐网络可以提高对行人匹配的效果。     

基于随机擦除行人对齐网络的行人重识别方法

基于检测出的行人图像容易出现错位和深度网络容易出现过拟合现象的问题,使用行人对齐网络和随机擦除数据增强,对行人数据集进行预处理。使图像生成不同程度的遮挡,并通过仿射估计分支中的空间变换网络层将图像中的错位进行修正。裁剪背景大的部分,填补行人图像缺失的部分,从而降低网络过拟合的现象,提高网络泛化能力。Market1501、DuckMTMC-reID和CUHK03数据集上进行试验,结果表明在rank-1的值达到84%左右。将随机擦除行人对齐网络方法与其他方法进行比较,发现随机擦除行人对齐网络的行人重识别方法的试验结果要好。     

基于Transformer的行人重识别网络

针对行人重识别中水平切片方法由于分块特征感受野之间存在交叉重叠带来的分块数量限制问题,提出一种基于Transformer的行人重识别网络结构。首先,输入图像经过CNN网络提取中间特征图,并将特征图进行分块,对每块特征进一步切分成像素级token向量;然后,对各像素级token向量展平并加入位置编码和全局token向量,输入Transformer IN编码器中;接着,对得到的全局token向量进一步加入分类token向量和位置编码后,输入Transformer OUT编码器,得到最终的编码器输出;最后,取分类token向量并加上全连接后,利用softmax和交叉熵损失对行人进行分类。在Market-1501、Duke MTMC-re ID数据集上的实验结果表明,本方法能够更细粒度地提取特征,并利用Transformer的全局把控能力,进一步提高了切片的数量和分类的精度。     

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.     

行人重识别研究综述

行人重识别的目的是在多个不重叠的摄像头之间检索特定的行人. 对目前有代表性的基于深度学习的行人重识别算法进行归纳和总结, 综述不同类型的行人重识别算法的结构和特点. 首先,介绍行人重识别的概念; 其次,根据行人重识别算法的特点, 概述基于监督学习和弱监督学习的行人重识别算法,并对特征表示学习和深度度量学习2种基于监督学习的行人重识别算法进行详细讨论; 然后,介绍这一领域的经典数据集, 对有代表性的算法在这些数据集上的表现进行对比分析; 最后,展望行人重识别领域的发展方向.

     

基于奇异值分解和小波分析的结构模态参数识别

提出了一种新的基于奇异值分解（SVD）和小波分析的结构模态参数识别方法。获得结构在随机荷载作用下的加速度响应,对其进行相关分析可得到相关系数矩阵。将小波变换用于分解相关系数矩阵可得到小波系数矩阵,用奇异值分解小波系数矩阵可精确地识别出模态参数。通过数值算例和实际测试获得的结构信号验证了该方法的可行性。研究结果表明SVD方法与小波分析的结合能够方便准确地寻找出结构的小波脊,其获得的信息可靠度也更高,适用于多自由度结构的模态参数识别。     

基于行人分割与部位对齐的行人再识别

为了解决行人再识别中由于视角变化和背景干扰造成的错位匹配(未对齐)问题,提出一种基于行人分割的部位对齐网络(SegPAN)的方法,该网络由3部分组成:1)构建一种基于RefineNet的行人分割网络(TL-RefineNet),以获得多个局部对齐部位;2)基于分割的行人部位,提出一种行人部位对齐网络,以提取多个局部对齐特征;3)通过一种加权融合的策略将提取的局部对齐特征融合,提高视觉特征的判别能力。在此基础上利用特征之间的相似度实现行人再识别。实验在Market-1501和DukeMTMC-reID数据集上进行测试,R1的性能分别达到90.5%和80.3%。结果证明该方法不仅有效的缓解了错位匹配问题,而且减少了背景的干扰,提高了再识别性能。     

基于奇异向量和奇异值的入脸识别新方法

通过提出一种基于奇异值向量和奇异值的人脸识别新方法——正交奇异值方法，将奇异向量和奇异值中的信息有效结合，克服了目前基于奇异值分解的识别方法中，要么丢弃了奇异值中的信息，要么丢弃了奇异向量中的信息，识别效果并不理想的缺陷。在ORL国际标准人脸库上实验显示，与目前基于奇异值分解的识别方法相较，该方法达到了更好的识别效果。     

基于金字塔分割和时空注意力的视频行人重识别

针对视频行人重识别任务中存在的行人外观、遮挡等问题,研究并设计了一个基于金字塔分割和注意力机制的视频行人重识别模型。首先,为了增强图模型对行人局部特征的识别能力,提出了多个尺度的水平金字塔分割方法,将各特征分别分割成不同大小的区域,并池化成统一尺寸后输入图模型。另外,鉴于简单的时空注意模块容易因遮挡破坏行人特征,因此使用时空相关注意力方法改进时空注意模块,逐步学习并聚合空间局部信息,同时在时序上相互作用,抑制行人干扰特征并增强判别特征。将模型在Mars和DukeMTMC-VideoReID两个数据集上进行了评估,实验结果证实了文中提出方法的有效性。     

基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别

针对跨分辨率场景下行人图像存在场景复杂、重建图像特征提取效果差等问题,提出基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别算法.该算法在超分辨率重建网络中嵌入动态前景聚焦模块,利用全卷积自动编码器提取目标行人特征,通过高斯掩码对网络进行空间引导,从而使判别特征聚焦在前景上;并经过动态感知模块自动捕获前景的重要特征.又通过构建多粒度相互协同的伪孪生网络,实现判别特征的精细化识别.最后,所提算法在跨分辨率数据集MLR-Market-1501,MLR-DukeMTMC-ReID和CAVIAR上进行实验,Rank-1精度分别达到了91.3%,83.4%和48.5%,证明了所提算法对跨分辨率行人重识别任务的有效性.     

基于奇异值分解的多载波调制信号盲识别算法

针对高斯白噪声背景条件下,IFFT实现的多载波调制信号类内盲识别问题,提出了一种基于对构造数据矩阵进行奇异值分解的多载波调制信号盲识别算法。在无需知道任何多载波调制信号数据信息和扩频码类型及其长度等先验知识的条件下,根据构造数据矩阵的较大非零奇异值个数,按照简单的判定准则,即可准确判断多载波信号的类型,并取得了良好的效果。无需传统识别算法中特征提取之后复杂的分类器设计,简化了识别流程。理论分析和仿真均验证了算法的正确性和有效性。     

基于奇异值分解的频率估计新算法

为了提高信号频率估计的精确度，提出了一种新的自适应滑动窗奇异值算法（sliding window adaptive SVD, SWASVD）.该算法基于奇异值算法将包含信号信息的矩阵分解到一系列奇异值和奇异值矢量对应的时频子空间中，从而分离信号信息与其他噪声信息的特点，推导了连续奇异值算法，产生两个辅助矩阵，在行列式处理中，采用减少秩的方法消除噪声，推导出的近似矩阵减少了复杂计算，使用matlab进行仿真，与多重信号分类谱估计法（MUSIC）进行了比较.结果表明，该新算法使用了滑动窗的概念，对陡峭信号变化有很好的鲁棒性，应用该方法可以在频率估计方面获得更准确的结果.     

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。     

一种耦合深度信念网络的图像识别方法

针对网络层数增加带来的梯度消失问题,提出了一种耦合深度信念网络的图像识别方法．该方法将“跨层”连接引入到深度信念网络中并应用于图像识别．给出了耦合深度信念网络的结构示意图及其参数更新方法,并在相同数据集和网络层数情况下比较了具有最佳参数的深度信念网络与最佳参数的耦合深度信念网络的识别性能,分析了“跨层”连接中主、次线耦合比例对网络性能的影响,且与几种经典的深度学习方法进行了对比．实验结果显示,耦合深度信念网络在收敛速度与识别精度上均优于深度信念网络．同时,相比于经典的深度网络,文中所提方法获得了良好的识别性能．这说明采用“跨层”耦合方式可有效缓解深度信念网络训练过程中出现的梯度消失问题,提高网络的识别性能．     

基于奇异值分解和经验模态分解的航空发动机健康信号降噪

提出了一种基于奇异值分解(Singular value decomposition,SVD)和经验模态分解(Empirical mode decomposition,EMD)的信号降噪方法。首先采用EMD方法对原始信号进行分解并提取出信号趋势分量。然后对信号剩余部分采用SVD方法降噪,并根据奇异值差分谱方法自适应选择奇异值进行信号重构。最后将重构后的信号与趋势分量叠加得到最终的降噪信号。采用该方法对模拟信号和实际航空发动机健康信号进行了降噪试验,结果表明:该方法能够准确地选择用于重构信号的奇异值,并能够有效地去除信号噪声。     

基于内禀模态奇异值伪熵特征提取的电能质量扰动识别

针对电能质量暂态扰动信号的非平稳、非线性等特点,提出一种基于内禀模态奇异值伪熵特征提取和支持向量机的电能质量复合扰动识别分类方法.该方法通过经验模态分解方法将各种非平稳电能质量扰动信号分别分解成若干个平稳的内禀模态函数,然后分别对每个有意义的内禀模态函数组成矩阵.该识别方法提出奇异值伪熵的概念,并依据该奇异值伪熵特征向量,通过支持向量机对各种电能质量扰动数据进行识别分类.实验结果表明,所提方法能有效地进行特征提取和电能质量扰动识别分类.     

采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％...     

一种基于奇异值分解的奇异性检测新方法

针对信号中的奇异点检测问题,提出了一种利用一维信号序列以连续截断信号方式构造出较小列数和较大行数矩阵的方法,并通过奇异值分解来实现这种检测.分析了该矩阵方式下奇异值分解的信号分解原理,研究了该方法的奇异性检测效果,并与Hankel矩阵方式以及小波检测效果作了比较,将其应用于铣削力信号的奇异性检测.实验结果表明,该方法能有效揭示铣削过程中可能由铣刀或工件问题引起的微小冲击现象,且其各分量指示奇异点位置的脉冲幅值大、宽度小,能与周围高频噪声形成鲜明对比,有利于更准确地判断奇异点的位置.     

基于增强的谱分析和奇异值分解的T波交替检测

针对传统谱分析方法在T波交替(TWA)检测中对噪声敏感的缺点,提出将增强的谱分析方法和奇异值分解方法结合起来的TWA检测方法.该方法利用奇异值分解得到去除了噪声干扰的心电信号,克服了传统谱分析方法只能检测平稳信号且需要增大心率的缺点,强调交替水平的重要性,即增强TWA功率谱上0.5cpb处的幅值,实现对TWA的有效分析.研究结果表明：该方法对T波交替数据库中30个人工合成并含有TWA的数据的检出准确率达93.33%,高于传统谱分析方法的TWA阳性检测率,能够提高交替比率.TWA检测率明显高于physionet网站中2008年挑战（TWA检测和定量分析）得分第一的算法实验结果（66.67%）,说明该方法具有更强的TWA识别能力.