【摘 要】
：
车辆重识别旨在非重叠摄像头视角下识别特定车辆。由于不同摄像机视角下采集到的车辆图像易受光照、拍摄角度、分辨率及背景等环境因素的影响,并且不同车辆可能具有相同品牌、型号和颜色,因此很难通过全局外观对车辆进行区分。与全局外观相比,车辆的局部区域可能具有较为详细的视觉信息,例如车标、车灯等。针对这一问题,本文提出基于局部感知的车辆重识别算法（Research on Local-aware Based V
论文部分内容阅读
车辆重识别旨在非重叠摄像头视角下识别特定车辆。由于不同摄像机视角下采集到的车辆图像易受光照、拍摄角度、分辨率及背景等环境因素的影响,并且不同车辆可能具有相同品牌、型号和颜色,因此很难通过全局外观对车辆进行区分。与全局外观相比,车辆的局部区域可能具有较为详细的视觉信息,例如车标、车灯等。针对这一问题,本文提出基于局部感知的车辆重识别算法（Research on Local-aware Based Vehicle Re-identification,LVR）,该方法采用局部分块和关键点特征提取方式提取车辆特征进行车辆重识别。在两个大型车辆数据集（即Ve Ri和Vehicle ID）上的评估结果表明,该算法具有较好的重识别效果。本文的主要工作内容如下:（1）为去除背景信息的干扰,采用局部分块车辆特征学习网络,可以去除背景信息对车辆重识别的干扰,提出局部分块特征提取网络,将网络的更大的权重分配到感兴趣区域。（2）提出关键点选择特征提取网络,在去除背景干扰信息后采用由粗到细的两阶段关键点检测模型对关键点进行筛选并预测出车辆方向,以减少不可见关键点的干扰,从而提高模型的泛化能力。（3）为了进一步提高该局部网络模型的识别能力,本文采用了一种重排名方法对网络识别后的结果进行二次排序,该方法利用聚类的方式,将相同车辆身份（Identification,ID）的样本特征距离缩小,不同车辆样本特征距离扩大,以优化该模型的识别结果。（4）为验证本文提出方法的有效性,一方面本文提供了非常丰富的消融实验,验证了各个网络分支的有效性;另一方面本文与已有的部分车辆重识别方法进行对比实验,实验结果也进一步验证了本文提出的车辆重识别算法具有良好的实验效果。
其他文献
近些年,城市道路网络中基于车辆等移动对象所产生的轨迹数据的相关研究在智能交通领域掀起了一片研究热潮。轨迹异常检测作为路网轨迹模式挖掘的一个热门研究课题之一,其主要目的是识别出轨迹数据中异常但有价值的数据信息,对路网中欺诈和不良事件的监测具有重大意义。现如今,大多数针对路网的轨迹异常检测算法都倾向于采用基于密度或基于距离的检测方法,并未考虑时间信息对异常轨迹检测结果的影响;并且在检测过程中,通常选择
船舶交通管理（Vessel Traffic Service,VTS）系统是集雷达、通信、计算机网络、信息处理技术于一体的多技术融合与集成的系统,近20年来我国在沿海和长江各港口引进国外的技术建设了大量的VTS,随着水上交通的不断发展、国家信息安全的加强和用户对系统运行效率的提高以及智能化的需求,对VTS系统进行国产化已经势在必行。目前的VTS系统对于船舶的识别、交通安全指挥、风险提示和告警、船舶进
多媒体数据是网络大数据的一种主流表示形式,并呈现出海量、高维、异构等特性。如何在大规模多媒体数据中,快速、准确地检索出目标数据是计算机研究领域的一个基本问题,其解决方案被广泛地应用于诸如物体检索、身份识别、三维重建等场景中。不过,高效的近邻查询一般需要借助数据的提前索引,而多媒体数据的高维特性使得多数传统索引技术失效,并导致精确近邻的查询效率急剧下降。近似最近邻检索技术脱颖而出,逐渐成为解决上述问
生物医学事件抽取以结构化的形式展示了海量生物医学文献中生物分子之间细粒度的复杂交互关系,为科研人员了解生物机理和攻克医学难题提供了重要依据。一个完整的生物医学事件由触发词和事件元素组成。触发词引起了整个生物医学事件的发生,并且决定了生物医学事件的类别。事件元素是生物医学事件的重要组成部分,在生物医学事件中扮演着重要的角色。因此,本文紧紧围绕生物医学事件抽取中的两个关键问题——触发词识别和事件元素检
程序开发人员在软件开发的过程中往往会遇到许多技术问题,提出具体问题并从在线专家那里得到有针对性回答的方式是当前最常用的方式之一。但是程序开发人员所提问题回复时间的长短取决于很多因素,包括问题的表述方式,问题表述的细致度,问题类别的数量,在线并对问题感兴趣的用户数等等。相关的研究工作集中在预测问题是否会在给定的时间间隔内被回复,而没有预测出其具体的回复时间。准确高效地预测问题的回复时间能够让用户对其
软件缺陷往往仅分布在少数代码中,但是这些少量的软件缺陷会给软件系统安全运行带来潜在的严重威胁。软件缺陷的不平衡分布,严重制约了软件缺陷预测（SDP）的准确度。因此,如何在软件缺陷预测中解决缺陷分类的不平衡分布问题,进而提升预测精度,是软件测试中一个重要问题。针对上述问题,本文提出一种基于合成少数类过采样技术（RSMOTE）的数据不平衡处理方法（RSMOTE-Based Data Imbalance
高光谱遥感技术能够提取地物的精细光谱特征,在目标识别方面拥有不可替代的优势。近年来随着高分五号等遥感卫星的发射,高光谱遥感技术得到了突飞猛进的发展,其中高光谱分类是指对目标图像的每一个像元划分出唯一的地物类别,在精准农业、地质探测及军事检测等领域都有着广泛的应用。相比于传统的分类方法,卷积神经网络（CNN）为代表的深度学习方法能获得更具判别性的特征表示,被成功用于高光谱分类领域。然而,由于高光谱遥
区块链技术是一种分布式账本技术,汇集密码算法、分布式数据存储、博弈共识算法等多种技术于一体,具有去中心化、去信任、不可篡改等特点。2014年,比特币在去中心模式下令人惊叹地稳定运行五年后,其背后的核心技术——区块链（Blockchain）被揭示。从此,区块链技术得到越来越多的关注,并迅速应用到各个领域。但是,由传统技术实现的区块链早期解决方案远不能够满足实际应用需求,区块链核心技术亟待创新与突破。
随着光学遥感成像技术的发展和深入,可获取的不同空间尺度、不同光谱范围和不同时相信息的遥感图像数据越来越丰富,其中,高光谱（hyperspectral image,HSI）遥感图像因其具有较高的光谱分辨率,在环境检测、灾害预警、城市规划、精准农业以及地质勘察等领域都有着十分重要的应用。然而,受成像设备限制,现有的高光谱成像系统往往无法获得同时具有高光谱分辨率和高空间分辨率的图像数据,从而限制了其在各
金融时间序列预测是一种利用统计工具或技术手段揭示金融时序的历史规律,预测未来发展趋势的技术,一直以来都是金融工程和企业风险管理的前沿领域,对于政府、企业和投资者都具有重要的指导意义。人工智能及深度学习算法兴起以后,在金融时间序列分析与预测方面得到了快速应用。本文基于深度森林与生成对抗对抗网络对金融时序预测进行了研究,主要工作如下:1、给出了一种基于深度森林的特征选择算法。针对将金融时间序列技术指标