融合GNN和记忆力机制的行人多目标跟踪

近年来,随着基于深度学习的目标检测模型的成熟,基于检测的跟踪(TBD)成为行人多目标跟踪(MOT)研究的主要方向,MOT研究重心逐渐向数据关联偏移.目前大部分MOT算法对于少量的丢失检测非常敏感,造成大量的身份互换和轨迹断裂,严重影响跟踪效果.而且算法需要对匈牙利算法选取不确定的阈值进行最大匹配,实际应用中难以做到.本文提出了一种基于图神经网络(GNN)的多目标跟踪(MOT)算法,算法构建了保存历史轨迹特征的记忆力机制,避免因目标检测丢失或失真导致的性能影响.同时通过GNN直接获取历史轨迹和当前检测的关联结果,克服了匈牙利算法预选阈值的问题.在MOT17和20挑战数据集的实验表明,与同类算法相比,本方法在MOT17的核心指标达到最优水平.     

基于Expectimax搜索与Double DQN的非完备信息博弈算法

麻将作为典型的非完备信息博弈游戏主要通过传统Expectimax搜索算法实现,其剪枝策略与估值函数基于人工先验知识设计,存在假设不合理等问题.提出一种结合Expectimax搜索与Double DQN强化学习算法的非完备信息博弈算法.在Expectimax搜索树扩展过程中,采用Double DQN输出的估值设计估值函数...     

基于MKRVM和多传感器的车型识别方法

在智能交通系统中,为了提高复杂交通环境下车型识别的准确率,提出一种基于多核相关向量机(MKRVM)和多传感器的车型识别方法。该方法提取了线圈和地磁10种车型特征,并通过串联融合方法构造出多特征融合的特征向量。该方法引入了基于MKRVM车型分类算法,并采用微粒子群算法(PSO)对MKRVM模型中混合核函数的相关参数进行了优化,构建了一种PSO优化的MKRVM车型分类器。实验结果表明:该车型识别方法有效地提高车型识别的准确率,平均提升了10%左右。 更多还原