【摘 要】
：
随着大量监控摄像头的部署,计算机视觉技术成为视频分析、处理的必要手段。而行人重识别作为行人追踪、关键事件分析等的基础任务,在公安刑侦、智能商业中具有广泛的应用需求。除受限于手工标注数据的昂贵代价外,行人重识别模型在未知场景测试时,性能会大幅降低。因此,本文针对无监督跨域自适应行人重识别进行了深入研究,主要工作如下:1.针对在一个数据集上训练的模型直接在未知域测试时的性能衰退问题,本文提出一种基于双
论文部分内容阅读
随着大量监控摄像头的部署,计算机视觉技术成为视频分析、处理的必要手段。而行人重识别作为行人追踪、关键事件分析等的基础任务,在公安刑侦、智能商业中具有广泛的应用需求。除受限于手工标注数据的昂贵代价外,行人重识别模型在未知场景测试时,性能会大幅降低。因此,本文针对无监督跨域自适应行人重识别进行了深入研究,主要工作如下:1.针对在一个数据集上训练的模型直接在未知域测试时的性能衰退问题,本文提出一种基于双近邻挖掘的跨域行人重识别方法。对于特征提取器,在骨干网络中引入IBN-Net和全局区域特征提取模块,以学习具有区分性的特征表示;对于源域数据,利用真实标签约束模型训练;对于目标域数据,分两个阶段挖掘输入图像的近邻。其中一阶段根据相似度得分选择粗近邻,二阶段在粗近邻的基础上利用图的思想实现可靠近邻的精细确定,并将两种近邻与输入图像视作不同权重的同一类来更新模型参数。在公开数据集Market1501和Duke MTMC-re ID上进行实验,所提方法的Rank-1准确率分别到达83.4%和71.7%,m AP达到59.1%和50.6%。2.为了缓解近邻挖掘过程中噪声样本的干扰,进一步提升模型在目标域的判别能力,本文提出一种联合聚类和近邻探索的跨域行人重识别方法。在目标域训练部分采用类孪生结构,特征提取器和源域训练沿用工作1的内容。类孪生结构的一个分支通过全局聚类过滤簇外的难识别样本,并结合子聚类分配粗细两种伪标签进行标签优化,同时对簇内的易识别数据进行动态自适应近邻探索。另一个分支混合易识别样本和难识别样本,同等对待两部分数据进行动态自适应近邻探索。联合两个分支有效挖掘易识别数据蕴含的信息以及其与难识别样本间的关系,促使模型沿正确的方向训练。在数据集Market1501、Duke MTMC-re ID和MSMT17上的性能指标以及聚类可视化结果表明,该方法能进一步提升模型在目标域的匹配性能。
其他文献
毫米波因其广阔的频谱资源成为了5G的研究重点。受益于其较短的波长,研究人员通过增加天线,引入大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术,结合波束成形来抵抗路径损耗带来的性能丢失。数模混合的波束成形方式因其平衡性能与功耗的特点,成为了毫米波系统波束成形设计的主流方向。其次,全双工（Full-Duplex,FD）通信模式理论上可以达到两倍于半双工（
针对通信拒止复杂环境下的导弹集群多目标分配问题，提出一种分布式的多目标分配与决策方法。基于弹-目攻防性能指标，设计时间戳、获胜导弹、获胜投标、优势度等列表，通过一致性和拍卖阶段，优化目标分配方案，并借鉴自然界鸟群、鱼群等群居性生物的群体协同运动机制，利用“避撞-结队-聚集-攻击”集群行为规则模型（Separation Alignment Cohesion Offense, SACO）,结合集群动态
知识图谱作为推动人工智能从计算智能、感知智能到认知智能发展的核心驱动力,能为教育信息化2.0时代的教育教学提供新的赋能。知识图谱嵌入是将实体和关系映射到连续的低维向量空间中,提高计算效率,增加下游应用的多样性,为下游模型提供语义支持。然而,大多数知识图谱嵌入方法注重实体的结构信息,忽视或者未能充分利用实体的背景信息。在教育场景下,直接使用一般模型训练出的嵌入不够准确,包含的特征信息少。为此,本文充
随着无线物联网和互联网接入需求的不断增长,Wi-Fi技术已经无处不在。除了用于无线通信外,Wi-Fi系统还可以利用信道状态信息（Channel State Information,CSI）进行无源感知。与其他智能传感解决方案相比,Wi-Fi传感具有低成本、非侵入性、隐私保护、不受光线影响等优点。考虑到用户对低成本和低功耗的要求以及Wi-Fi终端有限的计算资源,通常的解决方案是将CSI数据传输到云服
城市道路场景纷繁复杂,传统图像分割算法只能通过图像的颜色、纹理和形状等低级特征,将图像划分成多个具有独特性质的区域,造成分割精度低、速度慢的现象,因此难以满足真实场景中的工业生产需要。随着Alex Net在2012年摘取图像分类竞赛Image Net上的桂冠,计算机视觉领域掀起了使用深度学习技术的浪潮。基于深度学习的实时语义分割算法能够自动提取目标的深层特征和语义信息,为复杂城市道路场景的解析提供
随着移动互联网时代的发展,易于获取的Wi-Fi信号常被用于提供室内定位服务。基于信道状态信息（Channel State Information,CSI）的室内Wi-Fi定位因其部署成本低、定位精度高、环境适应性强等特点而备受关注。然而,CSI的不稳定性会导致对其处理的复杂性显著增加,且无线信号的时变性也将影响定位精度。对此,本文提出了一种基于CSI张量分解的室内Wi-Fi指纹定位方法,其主要内容
基于深度学习的实例分割是图像处理领域的热门分支和极具挑战的任务。实例分割不仅需要具备目标检测定位目标位置和语义分割区分目标类别的能力,还需要分辨出同一类物体的不同个体。目前两阶段实例分割可以达到较好的分割精度,但单阶段实例分割凭借更简单的网络结构,在速度上更胜一筹。基于轮廓点在极坐标上表示掩膜的方法为单阶段实例分割开辟了新的思路,其优点在于简化了实例掩膜的建模过程,同时在训练阶段没有锚框的限制。本
随着集成电路和微波技术取得重要突破,毫米波雷达被广泛应用于多个领域,正逐渐成为物联网发展中的关键性技术。相比传统的非接触式视频传感器,毫米波雷达因具备全天时、低成本及隐私性强等特点成为当下目标检测领域的研究热点。因此,研究毫米波雷达目标检测对于智能安防领域及智慧交通领域等应用具有重要现实意义。但在多目标检测场景下,毫米波雷达仍面临着无法有效区分多个目标以及检测算法性能不佳等问题。本文围绕上述问题开
随着数字化技术的发展,计算机辅助诊疗系统已经大量应用于口腔医学领域。三维牙齿模型分割是计算机辅助诊疗系统的关键步骤,其分割结果可以为临床诊断提供重要的参考信息。现有的三维牙齿模型分割方法通常利用深度学习技术进行全自动的牙齿分割,相比于传统分割方法具有更好的鲁棒性和泛化性。然而,由于临床环境中患者牙齿结构的复杂性,三维牙齿模型通常存在牙齿错位、缺牙等情况,这使得现有方法的分割性能仍然面临巨大挑战。在
图像语义分割在自动驾驶、医疗影像分析和视觉增强等领域中发挥着重要作用,旨在识别图像中每个像素点的类别,是计算机视觉领域中极具挑战性的像素级分类任务。目前,随着深度学习技术的发展及海量数据的大力支持,图像语义分割发展迅速。在自动驾驶领域,要求图像分割具有较高准确度和较快推理速度,现阶段研究普遍采用复杂的网络结构和大量的卷积层堆叠,导致算法模型时延高及内存占用大,不利于真实场景应用。本文基于卷积神经网