【摘 要】
：
随着东北虎数量不断减少，识别单只老虎进而做出保护和追踪变得很有意义，故采用了一种基于局部分块和自适应L2正则化方法的东北虎重识别网络模型(Part-basedConvolutionalBaseline-AdaptiveL2，PCB-AL2)以解决在自然环境下东北虎重识别困难等问题。自适应L2正则化因子通过反向传播进行自适应更新，这是通过将正则化因子作为可训练的变量来实现的。针对老虎依靠身体条纹分辨
论文部分内容阅读
随着东北虎数量不断减少，识别单只老虎进而做出保护和追踪变得很有意义，故采用了一种基于局部分块和自适应L2正则化方法的东北虎重识别网络模型(Part-basedConvolutionalBaseline-AdaptiveL2，PCB-AL2)以解决在自然环境下东北虎重识别困难等问题。自适应L2正则化因子通过反向传播进行自适应更新，这是通过将正则化因子作为可训练的变量来实现的。针对老虎依靠身体条纹分辨的特点，采用一种双分支网络结构：局部分支和全局分支，网络依靠局部特征指导全局特征学习。实验表明，在ATR
其他文献
语音驱动人脸生成旨在挖掘语音片段和人脸之间的静动态关联性，进而由给定的语音片段生成对应的人脸图像。然而已有的研究方法大多只考虑其中的一种关联性，且对静态人脸生成的研究严格依赖于时序对齐的音视频数据，在一定程度上限制了静态模型的使用范围。因此，提出了一种基于条件生成对抗网络的语音驱动静动态人脸生成模型（SDVF-GAN）。该模型首先基于自注意力机制构建语音编码器网络以获得更为准确的听觉特征表达，并将
在遮挡场景下的行人检测一直是计算机视觉中的一个棘手问题，由于被遮挡的行人尺度差异大，可见率低，通常会给检测带来极大的挑战。针对这一问题，本文提出了一种针对行人遮挡检测的模型结构，对基于anchor-free的行人检测方法进行改进。首先设计了一种提取多尺度上下文信息的结构，通过级联多个不同扩张率的卷积层，使用密集连接实现多尺度特征共享，提取各个区域的上下文信息来解决遮挡问题。此外，为了提高特征的可分
近年来，深度学习在图像处理中表现显著，因此研究者开始将深度学习用于磁共振成像的重构。现有的深度学习模型需要依赖大量数据进行训练，而医学图像很难获得大量数据，因此，为有效的提高MR成像重构的质量，我们提出一个在小数据集上表现良好的深度学习MRI重构方法。本文对U-Net模型进行改进，结合GoogleLeNet和ResNet的优势，提出了UGR-Net模型，并与数据一致性层结合得到级联的UGR-Net
在CT图像分割的过程中，通常都会先使用窗口技术对图像数据做预处理。然而，由于脏器组织与病变组织密度的不均匀性，使得这种预处理方式并不能完全将无效信息除去而重点关注脏器和病变部位。受注意力机制的启发，本文提出了一种新的CT图像预处理方式。首先，根据专家经验制作标签，计算出组织的空间概率分布，利用概率分布制作出CT蒙版。其次，将蒙版覆盖到原图上后即可除去大量低概率区域的图像信息，降低网络学习难度。对于
车辆再识别(Re-identification)是计算机视觉领域的研究热点之一，其关键在于车辆辨别性特征的提取。为了更好地提取此类特征，本文提出了一种基于全尺度和注意力融合学习的特征提取方法，该方法通过多个感受野获取不同尺度的特征，并将提取到的不同尺度特征融合；同时为了在特征提取过程中重点关注辨别性特征，特引入注意力机制，增强特征的表达能力。经实验证明，该方法在VeRi-776主流数据集上的Ran
为了提高人脸姿态识别的识别精度，设计了一种增强边缘梯度二值卷积神经网络用于识别。首先，提出ROILBC(Region of Interest Local Binary Convolution)在人脸姿态图像上提取二值特征并归类，根据二值特征图谱和原像的对比情况选择人脸姿态图像ROI(Region of Interest)以供后续网络学习。其次，提出DR-MGPC(Dimensionality Re
针对临近空间高超声速滑翔飞行器机动模式复杂，单一运动学模型难以完成三维跟踪的问题，提出一种三维跟踪方法，将飞行器机动弹道分为纵向和横向弹道，根据飞行器机动特性，在纵向上将加速度建模为零均值的二阶时间自相关随机过程，在横向上采用Singer模型和匀加速模型进行交互多模型（interactive multiple model，IMM）滤波，引入无偏量测转换将球坐标系下的雷达观测模型转换到笛卡尔坐标系，
针对图卷积编码器提取用户、项目信息过程中权重共享，不能区分邻域之间重要性；以及知识图谱作为辅助信息时，基于图神经网络方法无法显示对知识图谱非本地上下文（最相关的高阶邻居集合）信息进行捕获的问题。提出一种基于双向交互图传递的图注意编码器框架，显示利用知识图谱本地（一阶邻居集合）和非本地上下文信息。首先，通过图注意编码器获取用户、项目的嵌入向量；其次，考虑用户对实体的个性化偏好，通过特定于用户的图注意
近年来，脑网络被广泛应用在脑部疾病的诊断和分类中。考虑到大脑的不确定性特征，先前的研究将不确定图应用在脑网络建模中。在不确定脑网络研究中，传统的特征提取方法多采用均值、方差、极差等进行子图特征提取，但是它们存在泛化性能差以及子图间差异无法直接衡量的问题，进而影响分类准确率。因此，相对极差被提出作为新的特征提取方法。这一方法的优点在于既考虑到子图模式间的最大差异，又考虑到子图模式间的组间差异，可以有
跨模态哈希检索以其存储消耗低、检索效率高引起广泛关注。现有研究仍存在如何保持标签语义和语义信息损失问题。为此，本文提出了一种新颖的标签结构保持离散哈希方法LSPDH (Label Structure Preserving Discrete Hashing)，该方法将哈希学习分为哈希码学习和哈希函数学习两步。哈希码学习中，不同于其他使用流形学习提取多模态数据特征的方法，本文方法则运用流形学习提取标签