基于奇异值分解行人对齐网络的行人重识别

为解决行人重识别的训练数据集中自动检测出的行人图像背景过大和行人部分缺失的错位现象问题,使用空间变换网络层对图像错位进行处理。为优化整个网络的深度学习过程,提高图像检索能力,增加网络特征层,使用奇异值向量分解方法对其进行处理。将行人对齐网络和奇异向量分解相结合,构造奇异值分解行人对齐网络,既可解决图像错位问题,又提高图像特征的相似性度量的效果。在Market1501、CUHK03和DukeMTMC-reID数据集上进行试验,并与行人对齐网络和其他深度学习与非深度学习的行人重识别方法进行比较,试验结果中整个网络的平均检索精度和行人图像第一次匹配正确的概率平均达到了65%和80%左右,这表明奇异值分解行人对齐网络可以提高对行人匹配的效果。     

基于随机擦除行人对齐网络的行人重识别方法

基于检测出的行人图像容易出现错位和深度网络容易出现过拟合现象的问题,使用行人对齐网络和随机擦除数据增强,对行人数据集进行预处理。使图像生成不同程度的遮挡,并通过仿射估计分支中的空间变换网络层将图像中的错位进行修正。裁剪背景大的部分,填补行人图像缺失的部分,从而降低网络过拟合的现象,提高网络泛化能力。Market1501、DuckMTMC-reID和CUHK03数据集上进行试验,结果表明在rank-1的值达到84%左右。将随机擦除行人对齐网络方法与其他方法进行比较,发现随机擦除行人对齐网络的行人重识别方法的试验结果要好。     

基于行人分割与部位对齐的行人再识别

为了解决行人再识别中由于视角变化和背景干扰造成的错位匹配(未对齐)问题,提出一种基于行人分割的部位对齐网络(SegPAN)的方法,该网络由3部分组成:1)构建一种基于RefineNet的行人分割网络(TL-RefineNet),以获得多个局部对齐部位;2)基于分割的行人部位,提出一种行人部位对齐网络,以提取多个局部对齐特征;3)通过一种加权融合的策略将提取的局部对齐特征融合,提高视觉特征的判别能力。在此基础上利用特征之间的相似度实现行人再识别。实验在Market-1501和DukeMTMC-reID数据集上进行测试,R1的性能分别达到90.5%和80.3%。结果证明该方法不仅有效的缓解了错位匹配问题,而且减少了背景的干扰,提高了再识别性能。     

基于特征细化的多标签学习无监督行人重识别

针对无监督行人重识别中行人特征表达不充分以及训练过程产生噪声标签等问题,提出了一种基于特征细化的多标签学习无监督行人重识别方法。首先,为提高网络对关键区域信息的利用能力,设计多尺度通道注意力模块(Multi-scale channel attention module, MCAM),嵌入ResNet50网络的不同层来构建特征细化网络,并利用该网络对输入图像通道维度上的关键信息进行强化和关注,以获得更丰富的特征信息;其次,为降低训练过程中产生的噪声标签对网络的负面影响,设计多标签学习模块(Multi-label learning module, MLM),通过该模块进行正标签预测以生成可靠的伪标签;最后,利用多标签分类损失和对比损失进行无监督学习。在数据集Market-1501和DukeMTMC-reID上进行实验,结果表明该方法在这两个数据集上的平均精度均值分别达到82.8%和70.9%,首位命中率分别达到92.9%和83.9%。该方法使用注意力机制强化图像的特征信息,并通过正标签预测减少噪声标签,有效提升了无监督行人重识别的准确率,为无监督行人重识别领域提供了更鲁棒的方法。     

基于Transformer的行人重识别网络

针对行人重识别中水平切片方法由于分块特征感受野之间存在交叉重叠带来的分块数量限制问题,提出一种基于Transformer的行人重识别网络结构。首先,输入图像经过CNN网络提取中间特征图,并将特征图进行分块,对每块特征进一步切分成像素级token向量;然后,对各像素级token向量展平并加入位置编码和全局token向量,输入Transformer IN编码器中;接着,对得到的全局token向量进一步加入分类token向量和位置编码后,输入Transformer OUT编码器,得到最终的编码器输出;最后,取分类token向量并加上全连接后,利用softmax和交叉熵损失对行人进行分类。在Market-1501、Duke MTMC-re ID数据集上的实验结果表明,本方法能够更细粒度地提取特征,并利用Transformer的全局把控能力,进一步提高了切片的数量和分类的精度。     

基于分组卷积的无监督注意机制行人重识别方法研究

针对传统的行人重识别算法需要依赖大量带标签的行人图像数据,以及系统难以部署等问题,提出使用ResNet50作为模型的骨干网络.通过增加CBAM注意力机制,分组卷积,层次聚类和实例学习等方法实现无监督行人重识别.同时,使用欧式距离来进行相似性度量,对最终识别结果加以验证.实验结果表明：所提出的基于分组卷积的无监督注意机制行人重识别方法能够提高网络模型在未知数据域的泛化能力,减少了模型的训练参数.     

雷达与视觉信息融合的行人检测方法

首先建立两传感器间的坐标变换模型,将雷达扫描的深度信息映射到图像上。然后对雷达扫描的数据进行聚类分析,并结合行人物理属性,对聚类点簇进行筛选获得有效点簇信息;根据摄像机的成像规律,确定行人成像区域与其所处位置的关系,从而确定行人检测感兴趣区域。在此基础上,提取感兴趣区域的梯度方向直方图特征,运用支持向量机检测行人。实际交通场景测试结果表明本文方法能够对行人实时检测,且准确率可达93%以上。     

基于注意力机制和姿态识别的行人再识别

在解决行人再识别技术中的姿态变化、遮挡、背景等问题时,为了提高遮挡下的行人再识别性能,提出一种基于注意力机制和姿态识别的行人再识别方法。采用全局注意网络和姿态识别网络分别提取行人图像的全局特征、关节点位置热力图和对应的置信度,通过计算得到行人13个关节点和融合所有关节点的局部特征,对全局特征和14个局部特征分别进行行人分类训练,利用多任务学习多个损失共同监督网络的优化。测试时,将关键点特征和全局特征融合后,计算行人的距离排序。在Market1501和DukeMTMC-reID数据集上测试的Rank-1/mAP指标分别达到了85.1%/75.6%和64.3%/55.3%。结果表明,所设计方法具备抗姿态变化、遮挡和背景的能力,同时具有较高的识别能力和识别精度。     

基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别

针对跨分辨率场景下行人图像存在场景复杂、重建图像特征提取效果差等问题,提出基于动态前景聚焦与伪孪生网络的跨分辨率行人重识别算法.该算法在超分辨率重建网络中嵌入动态前景聚焦模块,利用全卷积自动编码器提取目标行人特征,通过高斯掩码对网络进行空间引导,从而使判别特征聚焦在前景上;并经过动态感知模块自动捕获前景的重要特征.又通过构建多粒度相互协同的伪孪生网络,实现判别特征的精细化识别.最后,所提算法在跨分辨率数据集MLR-Market-1501,MLR-DukeMTMC-ReID和CAVIAR上进行实验,Rank-1精度分别达到了91.3%,83.4%和48.5%,证明了所提算法对跨分辨率行人重识别任务的有效性.     

基于改进HOG LBP特征的行人检测

针对梯度方向直方图(histogram of oriented gradient, HOG)和局部二值模式(local binary pattern, LBP)特征维数高、冗余信息多、影响视频图像中行人检测速度的问题,提出一种基于改进HOGLBP特征的行人检测方法。通过对原有HOG特征进行统计平均,结合单独最优特征组合和巴氏距离(Bhattacharyya)可分性判据选出最优特征,并与LBP特征融合得到改进的HOGLBP特征,然后利用支持向量机(support vector machine, SVM)对样本特征进行训练获得分类器,最后对测试样本进行分类。实验结果表明,该方法使得行人检测的准确率和实时性都有一定的提高,并用自行拍摄的视频验证了该方法的有效性。     

奇异值分解与中心度量的细粒度车型识别算法

针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征;其次,提出一种学习不同特征的融合损失方法,将中心距离损失和分类损失进行加权融合,使得学习的特征类内之间的距离更小。实验表明,该方法使用 Residual Network(ResNet)框架在Cars-196细粒度车型数据集上测试,准确率能够达到93.02%,优于目前表现较好的双线性和注意力模型。扩展实验证明该方法同样适用于其他网络框架。     

视觉特征深度融合的图像质量评价

针对当前视觉感知特性研究和图像特征评价算法的不足,通过构建视觉多通道神经网络融合预测模型,提出一种视觉特征深度融合的图像质量评价方法. 首先,结合人类视觉系统特性设计直方图统计和奇异值分解2个互补视觉评价算法,进一步对图像各视觉通道的稀疏化梯度信息进行深度处理. 其次,构建BP神经网络融合模型,对各层视觉特征的多通道评价融合分别进行预测. 最后,对3层视觉特征评价从内层到外层逐层地进行深度自适应融合. 实验结果表明,所构建的融合模型有效提高了各种评价算法的指标水平,所提方法优于已有方法.     

步行商业街的空间序列及界面的研究

步行商业街空间序列的组织和界面设计是否合理,决定了整个步行商业街的基本空间形象设计的成功.笔者通过对步行商业街空间序列中景观及功能要素的分析,从环境印象的角度明确了空间序列在步行商业街空间形象的表达中所包含的意义,探讨了步行商业街空间序列的组织方法.从界面与空间形象的关系出发,分析了步行商业街界面构成本质,探讨了影响其界面的若干因素,提出了步行商业街界面的设计要求.     

基于奇异值分解的双重网络身份认证系统

针对当前网络的发展和面临的安全问题,提出了一种基于奇异值分解的双重网络身份认证系统.运用奇异值分解水印技术把ID和指纹结合为一体,实现对指纹特征库ID的认证和指纹识别认证的双重认证,并使ID和指纹具有相对独立性,加强了ID的隐藏性和安全性.实验结果表明本系统有良好的稳定性、安全性、可靠性. 更多还原     

基于网络理论的行人从众违法过街行为模型

为研究信号交叉口行人从众违法过街行为机理,运用网络理论,分析不同条件下行人群体网络的结构特征及演化规律.首先,借助动作捕捉技术获取行人从众违法过街行为的基础数据.然后,以实际交通行为数据为基础,构建行人过街的群体网络.最后,通过分析不同红灯时段以及不同性别的行人网络度分布情况,研究行人违法过街行为的规律.结果表明:等待时间越长,当人群中出现违法过街行为时,吸引从众违法过街的行人就越多;在过街行为方面,男性较女性更易从众,且男性的违法过街行为更易吸引其他行人违法过街.     

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。     

基于连续小波变换和RBF神经网络的气液两相流流型识别方法

针对气液两相流压差波动信号的非平稳特征,提出了以多尺度连续小波变换值矩阵的奇异值为特征矢量的流型识别方法。首先对气液两相流压差波动信号进行连续小波变换,得到初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为流型的特征向量,再结合RBF神经网络形成流型的智能识别方法。对水平管内空气-水两相流4种流型的识别结果表明该方法能够有效地识别流型。     

基于SVD和DCNN的彩色图像多功能零水印算法

为了对彩色图像进行版权保护和篡改定位,提出一种基于奇异值分解(singular value decomposition, SVD)和深度卷积神经网络(deep convolutional neural network, DCNN)的彩色图像多功能零水印算法。将原始RGB彩色图像转换成YCbCr彩色图像,对原始图像的Y、Cb、Cr通道离散小波变换得到的系数矩阵进行奇异值分解,得到DCNN的输入矩阵,从DCNN输出层的输入矩阵中获取原始图像信息矩阵,生成零鲁棒水印图像。从Y通道小波变换得到的低频子带系数矩阵中获取原始图像信息矩阵,生成零半脆弱水印图像。试验结果证明,提出的算法不但有效,而且对强度较大的常见攻击有较好的抵抗能力。