图像特征融合的行人重识别方法

行人重识别的目的是在跨区域、跨场景的情况下,检索出特定目标行人.由于行人外观可能相似,以及存在姿态变化和遮挡的问题,因此要求行人重识别模型能够捕捉到足够的细节信息.基于此,提出了图像特征融合的行人重识别算法,融合图像的全局特征与局部特征进行目标行人的检索.该算法构建了特征融合的图像通道,由卷积神经网络提取图像的视觉信息...     

多粒度跨模态行人重识别算法研究

针对当前跨模态行人重识别算法大多聚类能力不强、且难以提取高效辨别性特征的问题,提出了一种多粒度跨模态行人重识别算法。首先,在骨干网络Resnet50中加入非局部注意力机制模块,关注长距离像素之间的关系,保留细节信息;其次,采用多分支网络提取不同细粒度特征信息,增强模型的辨别性特征提取能力;最后,联合基于样本的三元组损失和基于中心的三元组损失监督训练,加速模型收敛。所提算法在SYSU-MM01数据集的全搜索模式下Rank-1和mean average precision分别达到62.83%和58.10%,在RegDB数据集的可见光到红外模式下Rank-1和mAP分别达到87.78%和76.22%。     

基于多尺度加权特征融合的行人重识别方法研究

针对目前由于行人重识别普遍存在的遮挡以及多姿态变化等原因,导致的行人重识别率低的问题,提出一种基于多尺度加权特征融合的行人重识别方法（Person Re-identification Method Based on Multi-scale Weighted Feature Fusion,MSWF）。该方法首先使用基准网络ResNeSt-50提取图像特征,获得下采样3倍、下采样4倍和下采样5倍的特征图,输入到加权特征金字塔网络中,然后使用快速归一化融合方法进行特征融合,在特征融合中引入加权操作可以让模型在训练过程中学习如何给融合特征的权重值进行分配,这样可以充分利用不同尺度的特征,获得更加丰富的行人特征。最后将融合后的富含语义信息的高层特征作为全局特征,将融合后的高分辨率特征作为局部特征。在训练过程中,联合Softmax分类损失函数、三元组损失函数和中心损失函数对模型进行训练,在测试阶段,将全局特征和局部特征沿通道维度进行拼接表示行人特征,并使用欧氏距离计算行人之间的距离。该方法在Market-1501、DukeMTMC-reID、CUHK03-Labeled和CUHK03-Detect...     

一种结构化双注意力混合通道增强的跨模态行人重识别方法

在目前跨模态行人重识别技术的研究中,大部分现有的方法会通过单模态原始可见光图像或者对抗生成图像的局部共享特征来降低跨模态差异,导致在红外图像判别中由于底层特征信息丢失而缺乏稳定的识别准确率。为了解决该问题,该文提出一种结构化双注意力可交换混合随机通道增强的特征融合跨模态行人重识别方法,利用通道增强后的可视图像作为第三模态,通过图像通道可交换随机混合增强(I-CSA)模块对可见光图像进行单通道和三通道随机混合增强抽取,从而突出行人的姿态结构细节,在学习中减少模态间差异。结构化联合注意力特征融合 (SAFF)模块在注重模态间行人姿态结构关系的前提下,为跨模态表征学习提供更丰富的监督,增强了模态变化中共享特征的鲁棒性。在SYSU-MM01数据集全搜索模式单摄设置下Rank-1和mAP分别达到71.2%和68.1%,优于同类前沿方法。     

基于全局和局部特征的跨模态行人再识别方法

跨模态行人再识别是对同一行人的可见光图像和红外图像之间进行匹配和识别,相对于单模态行人再识别的难度进一步加大。本文采用循环生成对抗网络(Cycle GAN)转换和扩充数据集,尽可能减少行人体态变化带来的影响;在ResNet50网络的基础上引入全局特征对比模块和局部特征模块,减少图像噪声和行人遮挡带来的影响;将交叉熵损失和改进的三元组损失以比例加和的形式作为多损失联合函数,对网络监督训练。实验结果表明,该方法的平均精确度均值和前十位命中率都达到了较高的水平,优于当前多数方法。     

基于卷积注意力机制和多损失联合的跨模态行人重识别

红外光和可见光(RGB-IR)下的跨模态行人重识别(Re-id)对于现代视频监控,尤其是夜间监控具有重要意义.现有的单模态行人重识别领域的研究成果已达到较高水平.然而,除了光照条件、人体姿势、摄像机角度等常见问题外,跨模态行人重识别问题难点主要在于同时存在模态间的巨大差异和模态内的类内变化,为此本文提出了基于卷积注意力...     

软伪标签和多尺度特征融合的行人重识别

传统无监督域自适应行人重识别算法,抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题,提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声,利用并行网络的预测值作为软标签,通过交叉校对方式对伪标签噪声进行纠偏,为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力,利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理,实现源域数据到目标域的风格转换,并结合实例和批量归一化网络解决残差网络域自适应性差的问题,增强网络对源域和目标域的泛化能力。实验结果表明,所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能,明显优于相关算法。     

基于阶梯型特征空间分割与局部注意力机制的行人重识别

为了让网络捕捉到更有效的内容来进行行人的判别,该文提出一种基于阶梯型特征空间分割与局部分支注意力网络(SLANet)机制的多分支网络来关注局部图像的显著信息。首先,在网络中引入阶梯型分支注意力模块,该模块以阶梯型对特征图进行水平分块,并且使用了分支注意力给每个分支分配不同的权重。其次,在网络中引入多尺度自适应注意力模块,该模块对局部特征进行处理,自适应调整感受野尺寸来适应不同尺度图像,同时融合了通道注意力和空间注意力筛选出图像重要特征。在网络的设计上,使用多粒度网络将全局特征和局部特征进行结合。最后,该方法在3个被广泛使用的行人重识别数据集Market-1501,DukeMTMC-reID和CUHK03上进行验证。其中在Market-1501数据集上的mAP和Rank-1分别达到了88.1%和95.6%。实验结果表明,该文所提出的网络模型能够提高行人重识别准确率。     

基于多样化局部注意力网络的行人重识别

针对现实场景中行人图像被遮挡以及行人姿态或视角变化造成的未对齐问题,该文提出一种基于多样化局部注意力网络(DLAN)的行人重识别(Re-ID)方法。首先,在骨干网络后分别设计了全局网络和多分支局部注意力网络,一方面学习全局的人体空间结构特征,另一方面自适应地获取人体不同部位的显著性局部特征;然后,构造了一致性激活惩罚函数引导各局部分支学习不同身体区域的互补特征,从而获取行人的多样化特征表示;最后,将全局特征与局部特征集成到分类识别网络中,通过联合学习形成更全面的行人描述。在Market1501, DukeMTMC-reID和CUHK03行人重识别数据集上,DLAN模型的mAP值分别达到了88.4%, 79.5%和74.3%,Rank-1值分别达到了95.1%, 88.7%和76.3%,明显优于大多数现有方法,实验结果充分验证了所提方法的鲁棒性和判别能力。     

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。     

多族谐波信号估计的子空间匹配投影算法

该文根据子空间匹配投影分解算法,将信号自适应地分解在谐波子空间上,得到一种多族谐波信号参数估计的方法。这种方法利用插值FFT算法和谐波参数的先验信息,能分离基频或谐波频率结构较为紧密的不同族谐波分量,谐波频率估计精度高。仿真表明,这种新方法能准确地估计基频频率、谐波频率和阶数,对随机相位抖动也不敏感;用于分析实船噪声也准确反映了船舶辐射噪声功率谱的线谱规律和特点,较好地揭示了船舶的螺旋桨现场实际运行状况,是一种很有价值的多谐波参数估计方法。     

基于样本正交子空间的SAR目标识别方法

利用合成孔径雷达(Synthetic Aperture Radar, SAR)获取的目标像进行识别时,基于子空间的自动目标识别(Automatic Target Recognition, ATR)方法通常是对样本数据的值空间进行操作。当识别相似目标时,由于彼此的值空间存在较大的交集,生成的识别模板的可分性较差。该文提出一种SAR目标ATR方法,该方法将SAR样本数据的正交子空间作为投影空间。因此,不同类目标样本在投影空间的差异性加大,能够明显提高识别效果。实验结果表明,本文方法的识别性能优于其它同类方法。     

基于低秩表示的鲁棒判别特征子空间学习模型

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括：通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。

     

一种利用随机矩阵调制实现共享通信方法

本文提出了一种利用随机矩阵调制-OFDM雷达成像波形实现共享通信的方法。首先,利用基础波形和随机矩阵在OFDM波形上构造随机矩阵调制-OFDM波形库。然后,在发射端根据不同的通信方式确定不同的发射方式,并根据雷达性能和通信传输要求选取相应的参数。最后,在雷达接收端,利用发射信号的伪正交性分离出回波信号实现雷达成像;在通信接收端,利用接收信号在与发射波形相对应的匹配滤波器的输出端有较高的目标尖峰,来解调出通信信息。数值仿真表明,该方法在保留该波形优异的雷达成像性能的同时,可有效实现共享通信。基于随机矩阵调制-OFDM波形数量的丰富性以及良好的正交性,可以保证较大的数据通信速率及较高的数据通信质量。     

基于多尺度特征结合细节恢复的单幅图像去雾方法

为提高单幅图像去雾方法的准确性及其去雾结果的细节可见性,该文提出一种基于多尺度特征结合细节恢复的单幅图像去雾方法。首先,根据雾在图像中的分布特性及成像原理,设计多尺度特征提取模块及多尺度特征融合模块,从而有效提取有雾图像中与雾相关的多尺度特征并进行非线性加权融合。其次,构造基于所设计多尺度特征提取模块和多尺度特征融合模块的端到端去雾网络,并利用该网络获得初步去雾结果。再次,构造基于图像分块的细节恢复网络以提取细节信息。最后,将细节恢复网络提取出的细节信息与去雾网络得到的初步去雾结果融合得到最终清晰的去雾图像,实现对去雾后图像视觉效果的增强。实验结果表明,与已有代表性的图像去雾方法相比,所提方法能够对合成图像及真实图像中的雾进行有效去除,且去雾结果细节信息保留完整。     

基于子空间的三阶多项式相位信号快速稀疏分解算法

针对稀疏分解冗余字典中原子数量庞大的缺点,该文提出一种三阶多项式相位信号的快速稀疏分解算法。该算法根据三阶多项式相位信号的特点,把原有信号变换成两个子空间信号,并根据这两个子空间信号构建相应的冗余字典,然后采用正交匹配追踪法来完成其稀疏分解,最后利用稀疏分解原理完成原有信号的稀疏分解。该算法把原有信号变换成两个不同子空间信号,构建了两个不同的冗余字典,对比采用一个冗余字典库,这种采用两个冗余字典的算法大大减少了原子数量,并且通过快速傅里叶变换,在一个冗余字典进行稀疏分解时,同时找到另一个冗余字典中的最匹配的原子。因此该算法通过减少原子数量和采用快速傅里叶变换大大加快了稀疏分解速度。实验结果表明,相比于采用Gabor原子构建的冗余字典,采用匹配追踪算法与遗传算法及最近提出的基于调制相关划分的快速稀疏分解,它的稀疏分解速度更快,并且具有更好的收敛性。