【摘 要】
：
因为红外图像数据可以有效地弥补单一可见光数据在低照度条件下的不足,因此研究跨模态可见光—红外行人重识别将为构建一个全天候、全场景智能视频监控系统提供强有力的技术支撑。跨模态行人重识别的核心问题是构建多模态数据之间的统一共享特征表达,关键在于有效区分跨模态数据中模态共享/特有的特征信息。基于此,提出了一种基于混合双通路神经网络的跨模态行人重识别方法。该方法深入地分析了混合双通路神经网络中模态共享参数
【机 构】
：
西安电子科技大学通信工程学院,陕西西安710071;重庆邮电大学,重庆400065
论文部分内容阅读
因为红外图像数据可以有效地弥补单一可见光数据在低照度条件下的不足,因此研究跨模态可见光—红外行人重识别将为构建一个全天候、全场景智能视频监控系统提供强有力的技术支撑。跨模态行人重识别的核心问题是构建多模态数据之间的统一共享特征表达,关键在于有效区分跨模态数据中模态共享/特有的特征信息。基于此,提出了一种基于混合双通路神经网络的跨模态行人重识别方法。该方法深入地分析了混合双通路神经网络中模态共享参数层和模态特有非共享参数层对跨模态行人重识别模型的影响,同时充分利用了不同模态数据类内特征分布的一致性约束
其他文献
没有无理由的成功,别人能做好,我们需要看他背后做了什么?或者说因为什么,他才能够成功?rn笔者从2020年开始策划走访全国各地的优秀门店,把这些优秀门店的故事和经营之道,通过各类方式传播给更多的受众.近期,笔者走访了江西南昌连锁门店车魔力.这家门店的客单价做到了自己区域的第一,员工稳定性也是第一.在经受了疫情的冲击、水灾的冲击,不少同行都纷纷转让关门,而他却新开了两家门店.他就是车魔力的王小强,一个勤奋、正能量、永远微笑的汽服人.车魔力目前在南昌有三家店,一家汽车美容店和两家社区店,均是自营.
类似越来越多的信息泄露及滥用事件给大家的生活带来了不少麻烦和困扰,完善个人信息保护法规已然成了势在必行的举措.rn个人信息保护迎来里程碑,数字化营销面临合规压力和监管挑战rn近些年,我国对个人信息的保护力度在不断加强.2003年,国务院信息化办公室正式部署《个人信息保护法》的立法研究工作;2013年2月1日发布了信息安全技术、公共及商用服务信息系统和个人信息保护指南,正式以法规形式填补个人信息保护领域的空白.
外来的和尚会念经吗?念的经是公司需要的经吗?“空降兵”的定义不用解释,大家都能明白.在汽车后市场有两种“空降兵”:一种是技术类,一种是管理类.笔者走访的门店中,一般技术类空降兵遇到的问题不大,基本都是熟悉公司制度或者技术标准的问题.今天就来聊聊让无数汽车后市场企业又爱又恨的管理类空降兵.
发动机是汽车的核心部件,其与底盘、电气设备并称汽车三大件.发动机的性能直接决定着动力输出,对汽车的行驶体验、安全性能意义重大.本文从发动机自熄火故障现象出发,分析故障原因,诊断故障所在,结合客户反映情况和汽车维修历史,对故障进行有效排除并进行经验总结,希望能够给类似汽车发动机自熄火问题研究提供参考,对汽车维修专业技术人员有所启发.
火焰检测与火势发展分析对火情的控制十分重要。提出一种改进DeeplabV3+的火焰分割与火情分析方法:首先在DeeplabV3+的解码器部分增加低层特征来源,将其与高层特征融合后采用2倍上采样逐步恢复图像尺寸,保留更多的细节信息,实现更加准确的火焰分割;然后将火焰视频每帧分割得到的像素数组成火势发展序列,基于关键点对序列进行分段和线性拟合,获取火势发展的关键趋势。实验结果表明,所提方法可以在对火焰
由于传统的深度卷积神经网络分割高分辨率遥感影像需人工设计网络架构,过度依赖专家经验,耗时费力,且网络泛化能力较差,因此,提出一种资源平衡型部分通道采样的神经网络架构搜索方法。首先,在网络架构参数中添加资源平衡项,提升搜索算法稳定性,同时减小剪枝过程中产生的更新不平衡和离散化误差;其次,选择部分通道进行搜索空间的混合操作,以节省计算资源,提升搜索效率,缓解网络过拟合;最后,根据高分辨率遥感影像地物复
弹道目标识别在现在的军事反导系统中具有重要作用.不同的弹道目标由于其运动特征的不同会呈现出不同的微动特征,因此在弹道目标的识别中,微动特征被广泛应用.在弹道目标的微动特征分类中,卷积神经网络因为其优异的分类能力而被广泛应用.在卷积神经网络框架中,神经网络相关的超参数和结构通常与被处理的任务性质相关,不同的任务需要设置不同的超参数和不同的网络架构使卷积神经网络的识别效果达到最优.人工选择适合弹道目标微动分类的网络超参数和结构需要足够的人力经验和大量的计算时间,而且并不总能得到最优的参数.针对这个问题,提出用
针对不同教学场景图像的数据分布差异较大造成的跨域偏移问题,提出了一种采用元学习的多场景学生姿态检测方法。该方法设计了姿态检测元模型和一种参数可学习的域适应优化器。通过离线学习和在线学习相结合的方式,实现特定教学场景姿态检测模型的快速域适应。离线学习阶段,该方法通过双层训练模拟姿态检测模型在各类教学场景上域适应的过程,对姿态检测元模型以及域适应优化器参数进行训练;在线学习阶段,只需特定教学场景下少量
学习高质量的视频表征有助于机器更准确地理解视频内容。基于监督学习的视频表征需要标注海量的视频数据,而视频标注极其费时费力,因而不需要标注数据的自监督视频表征方法成为研究的热点。自监督视频表征学习利用海量的未标注数据,将视频自身的时空连续性等作为监督信息来设计辅助任务进行表征学习,并将学习到的视频表征应用于下游任务。鉴于缺少对自监督视频表征学习新进展的综述,首先根据辅助任务采用的信息不同,从时序信息
为了提高利用四轴飞行器单目摄像头传回的图片帧执行目标跟踪任务时的实时性和稳定性,提出一种基于注意力模型的图片帧预处理和基于反馈控制的四轴飞行器姿态调整的算法。首先,通过注意力模型对四轴飞行器采集到的视频图像进行预处理,选出对跟踪结果贡献度较大的部分帧;其次,将图像预处理阶段选出的图片帧进一步处理,得到选框像素点的位置偏差和面积偏差,记作反馈控制的误差;最后,通过反馈控制,将该误差与四轴飞行器的电机