一种针对路口监控图像的区域分割方法

针对智能交通系统中对交通路口场景理解的需求,提出一种基于线特征先验和凸包损失函数的空间分割网络,目标是对斑马线以及斑马线所围路口区域进行精确检测和分割。利用公安交通管理系统平台采集并标注路口数据集;引入线特征先验,将RGBL图像作为网络输入,为深度学习实例分割提供显著的物体边缘特征以加强深度网络对图像特征学习的针对性;在分割网络中引入SCNN网络结构,构成空间分割网络以增强网络对空间结构的学习;引入凸包二值交叉熵动态损失函数来优化网络的输出精度。实验结果表明,该空间分割网络对斑马线及路口区域的检测正确率和分割完整度和精确度都有了显著的提升。     

渐进式迭代优化的行人属性识别

目的 现阶段行人属性识别任务存在的主要问题在于某些属性类别的样本分布严重不均衡,为了解决上述问题,提出了一种基于渐进式迭代优化的行人属性识别方法。方法 首先针对不均衡类别,采用马赛克自编码器进行数据增广,构建基于属性平衡化的数据生成模型（balanced attributes-data generation model,BA-DGM）,实现从通用大模型到专用小任务的迁移学习和知识增强;然后针对新生成的样本数据,采用判别模型进行一致性筛选,在与生成模型的相互对抗中实现启发式的注意力机制,从而构建基于特征注意力的数据判别模型（attention features-data discrimination model,AF-DDM）;最后通过数据生成与数据判别相互交替的循环迭代,实现行人属性识别模型和数据的渐进式优化,并针对均衡后的样本数据,采用知识蒸馏框架对不同轮次的判别模型进行融合,实现基于渐进式迭代的蒸馏融合模型（progressive iterations-distillation fusion model,PI-DFM）,进一步提高模型的泛化能力。结果 实验结果表明,所提出的渐进式优...     

基于马赛克自编码器的多场景行人检测优化方法

现阶段多场景下的行人检测模型存在的主要问题在于训练数据样本多样性不足，在开放的测试环境下效果较差，不同场景之间存在数据鸿沟。针对上述问题，提出了一种基于马赛克自编码器（MAE）的多场景行人检测优化方法。首先，采用随机生成方法对原始训练数据进行自动扩充；然后，围绕数据、模型和结果等重要影响因素，分别对检测模型训练前中后三个阶段进行优化；最后，实现从通用大模型到专用小任务的自适应迁移。实验结果表明，在不增加额外标注数据的情况下，在多个公开数据集之间进行场景迁移，以常用的Caltech Pedestrian作为目标数据集，与当前最优结果 Pedestron方法对比，在Reasonable、Small和Heavy子数据集上的每张图片误检率（FPPI）分别下降0.4个百分点、0.7个百分点和2.6个百分点，从而验证了模型泛化性的显著提升；另一方面，针对实际应用构建多场景行人检测数据集，验证集的平均准确率（AP）提升1.9个百分点，进一步验证MAE生成数据对模型准确性的提升作用。