一种雨雾背景的DeRF-YOLOv3-X目标检测方法

提出了一种新型的目标检测方法DeRF-YOLOv3-X(Derain and Defog-YOLOv3-Xception),将Xception引入YOLOv3网络以提高雨雾天气条件下行人和车辆的目标检测准确性。对于雨雾背景,分别采用残差网络和负映射结合的深度细节网络DDN和基于注意力机制的多尺度网络GridDehazeNet进行去雨去雾处理;采用Xception替换YOLOv3中Darknet-53网络,同时将回归损失函数由IoU改进为DIoU,提高特征提取能力以及框定位准确率。在公开数据集ImageNet上进行主干网络的测试;在实际场景数据集上进行YOLOv3-X网络和DeRF-YOLOv3-X网络的测试。实验结果表明,提出的DeRF-YOLOv3-X目标检测网络在雨天背景下mAP值提高了5.92%,达到54.99%;在雾天背景下,mAP值也提高了4.22%,达到49.07%。     

最大化中心模式和微小模式生成对抗网络

为了解决生成对抗网络（GAN）在生成图像时出现的模式崩塌问题,提出了一种最大化中心模式和微小模式损失生成对抗网络（MMMGAN）。首先,将具有相同标签的生成图像的模式定义为中心模式和微小模式,中心模式和微小模式分别代表相似模式的集合和学习完中心模式后可能的模式变化。其次,基于上述的定义提出最大化中心模式和微小模式损失。最后,引入该损失函数,在保证生成图像的分布逼近真实图像的前提下,绝大多数评价指标都得到了改善,提升了生成图像的多样性。拓展性的实验结果表明,提出的最大化中心模式和微小模式损失应用于两种及其以上不同类型任务中,模式崩塌得到了有效缓解。     

基于多模态图卷积神经网络的行人重识别方法

针对行人重识别中行人文本属性信息未被充分利用以及文本属性之间语义联系未被挖掘的问题，提出一种基于多模态的图卷积神经网络（GCN）行人重识别方法。首先使用深度卷积神经网络（DCNN）学习行人文本属性与行人图像特征；然后借助GCN有效的关系挖掘能力，将文本属性特征与图像特征作为GCN的输入，通过图卷积运算来传递文本属性节点间的语义信息，从而学习文本属性间隐含的语义联系信息，并将该语义信息融入图像特征中；最后GCN输出鲁棒的行人特征。该多模态的行人重识别方法在Market-1501数据集上获得了87.6%的平均精度均值（mAP）和95.1%的Rank-1准确度；在DukeMTMC-reID数据集上获得了77.3%的mAP和88.4%的Rank-1准确度，验证了所提方法的有效性。