集成空间注意力和姿态估计的遮挡行人再辨识

自然场景下监控设备所拍摄的行人图片总是存在被各种障碍物遮挡的情况,因此遮挡是行人再辨识面临的一个很大的挑战.针对遮挡问题,提出了一种集成空间注意力和姿态估计(spatial attention and pose estimation, SAPE)的遮挡行人再辨识模型.为了同时兼顾全局特征和局部特征,实现特征的多细粒度表示,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;在此基础之上,改进姿态估计器去提取图像中行人的关键点信息,并与卷积神经网络抽取的特征图相融合,然后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.在Occluded-DukeMTMC, Occluded-REID, Partial-REID这3个数据集上验证了SAPE模型的有效性,实验结果表明提出的针对遮挡的模型具有良好的效果.     

一种用于行人再辨识的批次分块遮挡网络

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)...     

基于深度学习的电子音乐信号辨识方法

由于传统音乐信号辨识方法存在精度低、效率差等缺陷,无法适应现代电子音乐发展速度,因此提出基于深度学习的电子音乐信号辨识方法。首先,采集电子音乐信号,通过预加重、加窗分帧操作预处理信号,剔除夹杂的干扰信号;其次,建立一个深度学习模型,利用模型训练、测试实现电子音乐信号辨识;最后,进行实验对比分析。实验结果表明,本文设计方法对多类型的电子音乐信号辨识正确率为96.42%,辨识时间为1.82s,优于其他方法。     

基于深度学习的矿用车辆定位轨迹预测

矿用车辆轨迹预测对于煤矿井下交通系统智能化发展有重要作用,也是实现车辆自动驾驶技术的关键环节。在车辆轨迹预测方面,基于深度学习的方法比传统方法能更好地捕捉车辆轨迹的复杂规律,提高预测精度。介绍了物理机理、行为学习、深度学习在车辆轨迹预测方面的应用。采用对序列数据高度敏感的长短期记忆网络搭建预测模型,基于海量GPS车辆历史轨迹数据预测未来时刻车辆轨迹。通过数据清洗、轨迹压缩与分段、地图匹配等对矿卡轨迹数据进行预处理,将学习率设置为0.001,用Adam优化器训练预测模型,将预处理数据输入模型进行轨迹预测。结果表明,基于长短期记忆网络的矿用车辆定位轨迹预测模型具有较高的准确度。     

遮挡人脸表情识别深度学习方法研究进展

在真实环境下遮挡是准确分析识别人脸表情的主要障碍之一。近年来研究者采用深度学习技术解决遮挡条件下表情误识别率高的问题。针对遮挡表情识别的深度学习算法和遮挡相关的问题进行归纳总结。首先,概括局部遮挡条件下表情识别的发展现状、表情的表示方式以及研究遮挡表情用到的数据集;其次,回顾遮挡表情识别深度学习方法的最新进展和分析遮挡对表情的影响;最后,总结主要技术挑战,研究难点及其可能的应对策略。目的是为将来的遮挡表情识别研究提供更有益的参考依据和基准。     

基于深度学习的车辆检测系统设计

针对目前智能交通系统实时道路车辆检测中存在的检测效率不高等问题,设计了一种基于深度学习的道路车辆检测算法。首先在搭建好的平台下,通过卷积神经网络对采集的车辆图像数据集进行训练,得到训练后的模型;其次,对该模型内部的层结构进行可视化;最后,通过调节各网络参数及层结构对该模型进行优化。训练的模型通过实验测试,分别对图片和视频进行检测,图像识别准确率高,检测速度快,跟踪精度高,可应用于实时交通系统的检测。     

基于深度学习的交通标志识别研究

为了提高交通标志识别效率及准确性,在研究了深度神经网络、特征提取模基础上,设计了一种包含主干网络和辅助网络的孪生网络.孪生网络中主干网络和辅助网络使用相同的训练集.首先对主干网络进行训练,使其收敛于交通标志训练集;其次,通过知识提取帮助辅助网络进行训练,从而获得更好的交通标志识别率;最后,对辅助网络模型进行剪枝,从而降低总体网络计算成本.仿真分析结果表明,所提方法在保证一定识别率情况下,能够大幅降低网络参数.仿真结果进一步验证了所提系统的有效性.     

一类有色噪声干扰下的随机时变系统学习辨识

讨论由一类时变ARMAX模型描述的动态系统学习辨识问题,提出用于估计有限区间上重复运行时变系统时变参数的学习算法.文中给出最小二乘学习算法的具体形式及实现步骤,并分析所提出学习算法的收敛性.分析结果表明,当重复持续激励条件成立且满足严格正实条件时,提出的学习算法具有重复一致性,即参数估值完全收敛于真值.文中还将结果推广到一类周期时变系统.通过数值仿真,进一步对所提学习算法的有效性进行了验证.     

基于双分支网络特征融合的车辆重识别方法

车辆重识别目的是通过不同的摄像机来识别同一辆车.但是由于车辆图像类内差异性大、类间相似性大,使得车辆重识别成为一个极具挑战性的任务.本文提出了一个基于双分支网络特征融合的车辆重识别方法来解决这一问题.该方法使用2个分支和批擦除策略提取并融合全局特征和局部特征,以突出车辆图像的类内相似性和类间差异性;并且采用圆损失代替传...     

基于孪生网络结构的目标跟踪算法综述

近年来相关滤波和深度学习理论快速发展,在目标跟踪中得到广泛应用,但在精度或者速度方面存在问题,基于孪生网络结构的方法能够在精度和速度之间取得平衡,逐渐成为了目标跟踪的主流方法。介绍了目标跟踪技术的基本概念,分析相关滤波等传统方法的发展及其存在的不足。着重阐述孪生网络的结构和基于孪生网络结构的跟踪算法的设计原理及其最新进展,并对比相关方法的性能。针对现有基于孪生网络结构的跟踪方法的不足,展望未来的发展趋势。     

融合随机擦除和残差注意力网络的行人重识别

传统的行人重识别方法依赖人工构造视觉特征,容易受到其他外界因素的影响,识别精度低.深度学习模型能自主地提取特征,但随着网络层数的加深会出现梯度消失情况,残差网络能缓解梯度消失问题,但提取出的特征信息未被合理使用.行人部分图像被遮挡是影响行人重识别准确性的另一个重要因素.针对上述问题提出了融合随机擦除和残差注意力网络的行...     

利用深度卷积特征的无人机视觉跟踪

由于无人机视觉跟踪视角范围广且环境复杂,常遇到无人机飞行震动、目标遮挡、相似目标等问题,导致无人机跟踪目标发生漂移.因此,对具有回归计算的全卷积孪生网络跟踪算法(SiamRPN)进行改进,提出一种加强深度特征相关性的无人机视觉跟踪算法(SiamDFT).首先,将全卷积神经网络后三层卷积的网络宽度提升一倍,充分利用目标的外观信息,完成对模板帧和检测帧的特征提取;其次,在检测帧和模板帧分别提出注意力信息融合模块和特征深度卷积模块,两个深度的特征相关性计算方法能够有效抑制背景信息,增强像素对之间的关联性,高效完成分类和回归任务;然后,采用深度互相关运算完成相似性计算,并引入距离交并比的计算方法完成对目标的定位.实验结果表明, SiamDFT在无人机短时跟踪场景下精确率和成功率分别达到79.8%和58.3%,在无人机长时跟踪场景下精确率和成功率分别达到73.4%和55.2%,实景测试结果充分验证了所提出算法的有效性.     

多分支融合局部特征的行人重识别算法

大部分结合深度学习的行人重识别算法主要以单分支的网络结构为主,且大多利用图片的全局特征信息,这样易错失关键行人信息,导致度量学习效果、算法精度下降.因此,为使网络获取到更多的关键行人信息,减少对行人局部、细节信息的错失,加强网络对行人特征的学习.基于ResNet-50的骨干网络,采取多分支的网络结构设计,综合考虑训练难...     

基于迁移学习的行人再识别

行人再识别指的是在无重叠的多摄像机监控视频中,匹配不同摄像机中的行人目 标。提出了一种基于迁移学习的行人再识别方法。在训练阶段,针对现有的基于深度卷积神经 网络的图像识别模型进行参数微调,将网络模型迁移学习至行人再识别模型。测试阶段,利用 学习好的网络模型提取行人图像的特征,再采用余弦距离来描述行人对之间的相似度。在 CUHK03、Market-1501 和 DukeMTMC-reID 3 个数据集上进行了深入的实验分析,实验结果表 明该方法取得了较高的累积匹配得分,特别是第 1 匹配率远远超过了非深度学习的方法,与其 他基于深度学习的行人再识别方法相比,准确率也有所提升。     

近年目标跟踪算法短评——相关滤波与深度学习

目的 目标跟踪是计算机视觉领域的重要组成部分。近年来,基于相关滤波和深度学习的目标跟踪算法层出不穷,本文拟对经典的若干目标跟踪算法进行阐述与分析。方法 首先,对基于相关滤波跟踪算法的基础理论进行介绍,针对相关滤波算法在特征改进类、尺度改进类、消除边界效应类、图像分块类与目标响应自适应类方面进行总结;接下来,从3个方面对基于深度学习的目标跟踪算法进行阐述与分析：目标分类、结构化回归、孪生网络,并对有代表性的跟踪算法的优势与缺陷进行较深层次的解读。结果 通过列举跟踪算法在相关滤波阶段、深度学习阶段针对不同的改进机制的改进算法,总结各阶段算法的优缺点。对目标跟踪算法的最新进展进行阐述,最终对目标跟踪算法的未来发展方向进行总结。结论 基于相关滤波的目标算法在实时性方面表现优秀,但对于复杂背景干扰、相似物遮挡等情况仍然需要优化。深层的卷积特征对于目标有强大的表示力,通过使相关滤波算法与深度学习结合,大幅度提升了算法表现力。基于深度学习的跟踪算法则更侧重于跟踪的性能,大多无法满足实时性。孪生神经网络的使用对于基于深度学习类目标跟踪算法产生了很大的推动,兼顾了算法的性能和实时性。     

联合损失优化孪生网络的行人重识别

针对行人重识别应用中行人图像易受到光照、相似着装、拍摄角度影响而出现难分样本对,导致错误匹配的问题,提出一种联合损失结合孪生网络的行人重识别优化算法。首先利用残差卷积神经网络提取图像特征,并以焦点损失（Focal Loss）和交叉熵损失的联合损失对提取的特征进行监督训练,增加模型对难分样本对的关注度;然后采用余弦距离计算图像间的相似度实现行人的重识别;最后加入重排序算法降低误匹配率。采用Market-1501和DukeMTMC-reID数据集进行实验,结果表明,该算法的匹配率分别为91.2%和84.4%,平均精度均值（mAP）分别为85.8%和78.6%。     

基于噪声标签自适应的行人再识别方法

行人再识别技术目前逐步被应用于视频监控、智能安防等领域。监控设备与日俱增,给研究工作提供了海量数据支持,但人工标注或检测器识别难以避免地引入带有噪声的数据标签。在进行大规模深度神经网络训练时,伴随数据量增加,标签的噪声给模型训练带来不可忽视的损害。为解决行人再识别的噪声标签问题,本文结合噪声、非噪声数据训练差异化特征,提出一种噪声标签自适应的行人再识别方法,不需要使用额外的验证集以及噪声比例、类型等先验信息,完成对噪声数据的筛选过滤。此外,本文方法自适应地学习噪声样本权重,进一步降低噪声影响。在含噪声的Market1501、DukeMTMC-reID两个数据集上,主流模型受噪声影响严重,本文提出的方法可以在此基础上提高约10%的平均精度。