基于HardSoftmax的并行选择核注意力

注意力被广泛地运用在卷积神经网络中,并有效地提升了卷积神经网络的性能。同时,注意力是非常轻量的,且几乎不需要改变卷积神经网络原来的架构。提出了基于HardSoftmax的并行选择核注意力。针对Softmax包含指数运算,对于较大的正输入很容易发生计算溢出的问题,提出了计算更安全的HardSoftmax来替换Softmax。不同于选择核注意力将全局特征的提取和转换放在特征融合之后,并行选择核注意力将全局特征的提取和转换单独放在一个分支,与具有不同核大小的多个分支构成并行结构。同时,并行选择核注意力的全局特征转换使用分组卷积,进一步减少参数量和计算量。并行选择核注意力通过HardSoftmax注意来关注不同核大小的多个分支。一系列的图像分类实验表明,只是简单地用HardSoftmax替换Softmax,也能保持或提升原注意力的性能。HardSoftmax的运行速度在实验中也比Softmax更快速。并行选择核注意力能够以更少的参数量和计算量追平或超越选择核注意力。     

亮度增强的多尺度垃圾检测

垃圾检测能减少资源浪费、缓解环境污染,对环境保护具有重要意义.针对现有方法在图像昏暗和物体细小情况下存在误识别、漏检的问题,本文提出了一种亮度增强的多尺度垃圾检测方法.首先在亮度增强模块中,利用跳跃连接增强各层级垃圾图像特征的关联性,解决了昏暗条件下的垃圾误识别问题.然后在多尺度垃圾检测模块中,使用密集连接将不同尺度特征进行融合,提高了对细小垃圾特征的学习能力,解决了细小垃圾存在的漏检问题.本文方法在自制数据集和公共数据集上的mAP达到了96.62%和93.81%.实验结果表明,该方法解决了图像昏暗和物体细小情况下的误识别、漏检问题,优于现有的YOLOv4等主流方法.     

三角形网格转化为四边形网格

现有的全自动网格划分算法大部分生成三角形网格。生成四边形网格更困难。为了缓解这个问题，本文研究并实现了三角形网格转化为四边形网格的线性算法。该算法是对已有的Ｏ（Ｎ＾２）算法的改进。     

三角网格中的数量关系

本文讨论了二、三维三角网格中的数量关系。这些关系可以用于检验网格的正确性分析算法的复杂度及设计一些新算法，本文给出了应用这些数量关系的一些实例。     

跨域联合学习与共享子空间度量的车辆重识别

目的 现有的跨域重识别任务普遍存在源域与目标域之间的域偏差大和聚类质量差的问题,同时跨域模型过度关注在目标域上的泛化能力将导致对源域知识的永久性遗忘。为了克服以上挑战,提出了一个基于跨域联合学习与共享子空间度量的车辆重识别方法。方法 在跨域联合学习中设计了一种交叉置信软聚类来建立源域与目标域之间的域间相关性,并利用软聚类结果产生的监督信息来保留旧知识与泛化新知识。提出了一种显著性感知注意力机制来获取车辆的显著性特征,将原始特征与显著性特征映射到一个共享子空间中并通过它们各自全局与局部之间的杰卡德距离来获取共享度量因子,根据共享度量因子来平滑全局与局部的伪标签,进而促使模型能够学习到更具鉴别力的特征。结果 在3个公共车辆重识别数据集VeRi-776（vehicle re-identification-776 dataset）、VehicleID（largescale vehicle re-identification dataset）和VeRi-Wild（vehicle re-identification dataset in the wild）上与较新方法进行实验对比,以首位命中率（rank-1 accuracy,Rank-1）和平均精度均值（mean average precision,mAP）作为性能评价指标,本文方法在VeRi-776→VeRi-Wild,VeRi-Wild→VeRi-776,VeRi-776→VehicleID,VehicleID→VeRi-776的跨域任务中,分别在目标域中取得了42.40%,41.70%,56.40%,61.90%的Rank-1准确率以及22.50%,23.10%,41.50%,49.10%的mAP准确率。在积累源域的旧知识表现中分别取得了84.60%,84.00%,77.10%,67.00%的Rank-1准确率以及55.80%,44.80%,46.50%,30.70%的mAP准确率。结论 相较于无监督域自适应和无监督混合域方法,本文方法能够在积累跨域知识的同时有效缓解域偏差大的问题,进而提升车辆重识别的性能。     

改进的应用于交通场景的运动目标检测方法及质量评价*

针对ViBe算法在交通视频检测中出现明显鬼影区域、缓慢目标残影难以消除、检测精确度和鲁棒性不足的问题,本文提出改进算法,利用灰度信息为像素建立生命长度矩阵,使鬼影或残影快速融入背景样本得以消除。结合最大类间方差法设置自适应阈值,加入良好后处理抑制动态噪音。同时本文借鉴分类算法的统计指标,提出质量评价多个要素,以ViBe原算法、混合高斯算法(GMM)、LBP-OTSU相结合的背景差分法和本文改进算法为例,定性、定量对实验结果作出质量评价和分析。实验表明,改进算法在较少帧数内去除了鬼影,抑制了运动目标残影,提高了运动目标检测的准确度和整体性能。     

基于多维匹配距离融合的指节纹识别

指节纹识别(FKP)作为一种新型的生物特征识别方式,以其安全性和稳定性而备受关注.基于编码的方法被认为是该领域最有成效法之一,在模板匹配阶段通常根据所提取的特征信息计算出2张图片之间的匹配距离来判断样本.然而,一些模糊样本无法通过单一的匹配距离进行有效区分,从而导致较高的错误接受率和错误拒绝率.针对这一问题,提出了一种...     

基于多关联特征的屏幕阅读坐姿健康性判别

长期坐姿不正确将会严重危害人体健康。现有的基于计算机视觉的坐姿检测方法主要 是通过检测人体本身来判别坐姿的健康性,没有综合地考虑人体与屏幕之间的交互关系,使得对多 种不健康坐姿无法准确检测,对此提出了一种基于多关联特征的屏幕阅读坐姿健康性判别方法。从 人体自身的约束关系和人与屏幕间的约束关系这 2 个方面考虑,先检测出人体和屏幕,再根据目标 的空间方位关系综合地提取与坐姿健康关联性强的坐姿特征。接着将坐姿特征序列输入到卷积神经 网络中进行学习和分类,从而实现坐姿的健康性判别。实验结果表明,该方法可以有效地识别出屏 幕阅读时存在的多种不健康坐姿行为。与其他方法相比,具有较好地识别结果及应用价值。     

改进的ViBe算法及其在交通视频处理中的应用

基于ViBe算法的运动目标检测具有很高的处理效率,但在复杂背景下也存在缺陷,比如不能有效抑制运动目标的残影和鬼影区域、易受噪音干扰,在交通视频的处理中更为明显。鉴于ViBe算法的这些不足,本文对ViBe原算法提出了改进,结合像素生命长度对鬼影或残影像素进行判断,利用二次更新策略提高消除速度。根据像素值变化引入最大类间方差法,将原有的固定像素阈值变为动态阈值,以提高交通视频中车辆目标检测的抗干扰能力。实验结果表明,在3组不同交通场景视频中,改进算法能够在较少帧数内消除目标的残影或者鬼影。对结果的量化分析也证明了改进算法由于应用了动态阈值,使目标检测的精准度和整体性都有所提高。