基于深度学习的分层关联多行人跟踪

由于连续帧之间数据关联的不确定性和所提取外观特征的鉴别力不足,多目标跟踪容易受目标外观变化、运动状态变化、相似目标以及目标消失再出现等干扰因素的影响,出现轨迹ID变换的问题,从而限制基于轨迹分析的行为检测、姿态识别等研究的性能。为了提高数据关联的可靠性从而减少轨迹ID变换,提出了一种基于轨迹置信度的分层数据关联方式。同时,为了提高用于数据关联的外观特征的鉴别力,提出融合了过程层的特征提取网络。在公开的MOT16测试数据集上验证表明,该算法在保证跟踪准确度和精确度的同时,有效降低了轨迹ID变换的次数,提高了跟踪性能。     

基于强化学习的公共空间行人轨迹跟踪

对公共空间中的多目标行人轨迹跟踪问题,提出一种基于强化学习的多目标行人轨迹跟踪算法.首先采用高精确度的目标检测器检测公共空间视频中的行人目标,并为每个目标分配一个独立的单目标跟踪器进行轨迹跟踪;将每个目标作为独立智能体,通过深度强化学习方式进行训练;接下来结合跟踪轨迹与检测目标之间的表观和位置特征构建相似度代价矩阵;最...     

基于遥感影像和神经网络的城市用地功能分类

城市用地功能分类的准确识别对精准把握城市现状、优化城市空间结构有重要意义。基于此,利用高分辨力遥感影像,提出一种针对中国城市用地功能分类的模型。设计一种多分辨力特征融合的卷积神经网络识别遥感影像中的特定功能区;针对中国城市功能区分布的特点,建立一个用于城市用地功能分类的新数据集。实验显示,本文算法在6种用地功能类型上的分类精确度达88%,表明算法对城市用地功能分类识别具有较高的准确性。最后,通过对北京部分主要城区的案例研究,验证了所提出的模型在城市规划相关领域提供数据支持的价值和有效性。