【摘 要】
：
行人重识别（Person Re-Identification,Re ID）旨在通过非重叠相机采集到的图像中找到与查询图像身份相同的行人,它通常也被认为是图像检索的子问题。近年来随着深度学习的兴起,行人重识别技术在智能监控、安防等领域得到广泛地发展及应用。现有的大多数行人重识别算法都是在同一数据集上进行有监督的训练后再测试,这类算法虽然性能较高,但是极大的限制了其可扩展性。在现实场景中,通常需要将训
论文部分内容阅读
行人重识别（Person Re-Identification,Re ID）旨在通过非重叠相机采集到的图像中找到与查询图像身份相同的行人,它通常也被认为是图像检索的子问题。近年来随着深度学习的兴起,行人重识别技术在智能监控、安防等领域得到广泛地发展及应用。现有的大多数行人重识别算法都是在同一数据集上进行有监督的训练后再测试,这类算法虽然性能较高,但是极大的限制了其可扩展性。在现实场景中,通常需要将训练好的模型部署到其他环境中进行行人检索,此时由于缺乏标签数据和不同数据集间存在的域差异,将在某一数据集上训练得到的模型部署到其他数据集上测试会导致性能显著下降。无监督域自适应可以有效缓解由于域偏移造成的性能下降,使模型提取具有鲁棒和判别性的行人特征。本文利用深度学习技术,针对无监督跨数据集行人重识别存在的问题提出了相应的解决方法,主要创新点如下:（1）提出一种交叉对抗一致性自预测学习使得到的行人特征具有判别性和域不变性。在交叉对抗一致性学习中,将源域视角随机分为两组,每组样本对应一个身份分类器,在身份分类器和特征编码器间利用对抗学习的方法使特征编码器提取不受视角影响的鲁棒性行人特征。不同于采用聚类预测伪标签的算法,自预测学习利用上述分类器通过新颖的选取机制赋予目标域中的无标签数据伪标签。在伪标签的帮助下,优化无标注样本特征的类内类间距离,使目标数据的特征具有鉴别性,实现对模型的微调。（2）传统无监督的行人重识别方法几乎没有考虑恶劣天气对行人检索的影响,因此提出一个能够抑制雾天对行人检索造成干扰的方法。该方法利用一个教师-学生流模型和一个特征鉴别器分别在特征层面和数据分布层面对干扰信息进行蒸馏,从而使雾天下的行人特征更加具有鉴别性。具体而言,利用原始图像特征、有雾图像特征分别生成两个内在相似性矩阵,教师模型通过减小两个相似性矩阵的差异指导学生模型蒸馏干扰信息。此外,利用KL-散度在鉴别器和学生模型间进行对抗学习,将有雾图像数据分布中的干扰信息进行蒸馏。从而提升模型在恶劣天气下的识别能力。
其他文献
物流业是关系国计民生的重要行业,是一个国家综合国力的重要体现。我国物流业近年来发展迅速,但与发达国家相比,仍存在成本高、效率低的问题。车辆路径问题（Vehicle Routing Problem,VRP）的研究是解决该问题最有效的途径之一。多车场车辆路径问题（Multi-depot Vehicle Routing Problem,MDVRP）是VRP的一类拥有广泛应用场景的重要扩展问题,因与现代物
本文基于序列推荐的思想,针对推荐系统存在的推荐准确度较低等问题,在推荐模型的项目嵌入阶段与序列建模阶段进行了改进以提高推荐的性能,具体问题与改进方法阐述如下。在对用户交互序列的处理中,现有的推荐模型在嵌入时仅仅关心用户的交互项目的顺序,忽略了用户交互序列项目属性与内容的相关性,对此本文在项目嵌入阶段引入了相关领域的知识图谱来获得辅助信息,通过丰富用户交互信息的形式改进了常规的嵌入方法。在实验中与先
太阳耀斑是太阳大气活动的一种重要表现形式,产生于太阳大气中,会迅速向外发射巨大的能量和高强度的电磁辐射。太阳耀斑产生的巨大能量和电磁辐射会在短时间内到达近地空间,对短波通信、卫星导航以及空间飞行造成威胁,严重影响人类的生产生活。因此,实现对太阳耀斑的准确预报有着十分重要的意义,这也是空间天气预报领域的一项重要工作。到目前为止,太阳耀斑爆发的具体物理机制尚未十分明确,基于物理学的太阳耀斑预报模型无法
构建一个完备的无线传感器网络的首要问题是如何对传感器节点进行部署。由于传感器节点部署过程中受复杂环境及抛洒方式的影响会导致监测区域中覆盖漏洞的产生。对此,本文以由动态及静态节点共同组成的混合无线传感器网络为研究对象,对二维平面及三维空间的覆盖优化问题展开研究,提出基于Delaunay三角剖分策略的优化方案,其主要工作如下:（1）针对二维覆盖优化研究中几何学方法难以运用概率感知模型的问题,提出了基于
三七生长于潮湿、温暖和遮荫等环境下,这类环境容易诱发各类疾病,其发病情况对三七的产量和品质有决定性影响作用,随着种植体量的增大,病害的种类和面积逐年增加。目前,在三七发病率预测方向,研究仍停留在定性描述三七发病率与气象因子关系;在三七叶片病害识别方向,仍依赖于人工主观识别或采用浅层模型进行检测,但这些方法存在预测与识别速度慢、准确率低、泛化性和鲁棒性差等问题,难以高效地掌握三七发病规律,从而不能有
近年来,随着互联网技术的迅速发展,众包模式在各行各业得以应用。众包作为一种面向互联网大众的问题解决机制,聚合大众智慧以更好地解决问题。在众包场景下,众包任务和工人拥有不同需求及意愿,将众包任务分配给与其需求不相符的工人会影响众包任务的完成质量。同时,在众包发包者与工人进行交互的过程中,分配结果可能随着分配双方发现更好的合作对象而有所变更,从而出现无效分配影响分配结果的稳定性。因此,如何有效地将众包
眼底视网膜血管图像作为人体唯一一处不需要侵入性手段就可以获得的血管图像,具有较高的临床价值。眼科以及内科的专家可以根据视网膜血管呈现的不同特征,较为精准的判断多种疾病。然而,在实际的应用中,由于视网膜血管结构复杂以及采样光照和成像设备的影响,常常导致眼底血管图像难以观察,增加了医生的工作难度。因此,研究出一种自动化的高精度视网膜血管分割算法,对于目前的临床辅助诊断非常重要。本文基于深度学习技术对视
供水系统作为城市的基础设施,水质质量直接影响人们的用水安全。在净水厂处理工业中,混凝沉淀是水处理系统的重要工序,决定着水厂出水质量和制水成本,其中混凝剂投加量的控制是关键。由于进入净水厂原水水质地波动,净水厂混凝投药过程存在较大的时滞性,很难及时且精准的计算投药量。因此,对水厂混凝投药系统进行建模,来预测投药量,对保证供水质量安全、降低能耗十分有意义。本研究通过径向基（RBF）神经网络预测模型对水
阿尔茨海默症（Alzheimer’s Disease,AD）是最常见的神经退化疾病之一,严重危害患者的生命健康。核磁共振成像（Magnetic Resonance Imaging,MRI）和正电子发射计算机断层成像（Positron Emission Tomography,PET）可以分别提供大脑的结构与功能信息。国内外最新研究表明,结合同一受试者的MRI和PET图像将有助于提升AD辅助诊断的准确
车联网（Internet of Vehicles,IoVs）是物联网在智能交通领域的重要组成部分,利用车联网技术为车辆提供事故预警消息对于减少或避免次生事故的发生、提高交通安全具有重大意义,是当前车联网应用的研究热点之一。高速公路上由于车辆行驶速度快、车辆位置频繁变化等,导致车间信道条件差、传输不稳定,使得事故预警消息的分发面临严峻挑战。此外,将事故视频作为预警消息进行传播时,能够提供传统文本消息