【摘 要】
：
由于背景复杂和人体容易被遮挡等情况的发生,导致人体骨架关键点的定位精度不高。针对这一问题,本文提出一种基于改进级联金字塔网络的人体骨架提取算法。该算法将注意力模块加入到级联金字塔特征提取网络的每一个残差块之后,根据特征图的不同部分和不同特征图的重要性程度分配不同的权重。同时将原来级联金字塔网络的2次上采样操作改为一次,以减少上采样过程中产生的冗余背景特征。实验结果表明:该算法可以较好地改善原CPN
【机 构】
：
浙江理工大学 信息学院,杭州310018
论文部分内容阅读
由于背景复杂和人体容易被遮挡等情况的发生,导致人体骨架关键点的定位精度不高。针对这一问题,本文提出一种基于改进级联金字塔网络的人体骨架提取算法。该算法将注意力模块加入到级联金字塔特征提取网络的每一个残差块之后,根据特征图的不同部分和不同特征图的重要性程度分配不同的权重。同时将原来级联金字塔网络的2次上采样操作改为一次,以减少上采样过程中产生的冗余背景特征。实验结果表明:该算法可以较好地改善原CPN网络在遮挡、背景复杂等情况下定位不精准的问题。
其他文献
在多弹饱和打击作战中,具有时间协同功能的制导律能够使导弹群同时命中目标,然而面对现代战场复杂的电磁环境,弹群中的某些导弹难免受到干扰无法正常运作,进而影响弹群之间的协同制导性能,导致饱和打击任务失败.针对该问题,建立了多弹协同打击同一固定目标的二维协同制导模型,基于该模型设计了一种干扰数据模拟滤波器,并将其与时间协同制导律进行整合,得到了一种分布式抗干扰时间协同制导律.最后通过仿真算例验证了该制导律的可行性.
针对传统神经网络算法无法有效利用少量实际飞行数据的问题,提出基于置信度神经网络的机载武器攻击区拟合算法.为有效区分、利用不同置信度样本,算法通过计算样本误差容量区间并设置样本敏感系数,修改用于权值调整的网络预测误差,得到更准确的拟合网络.仿真结果表明,置信度神经网络算法相比传统神经网络算法,具有更高的估计精度,增加了拟合攻击区的成功发射概率.
对于多标签分类中存在非线性的数据样本和重复的样本数据问题,本文提出了一种基于在线顺序极限学习机(On?line Sequential Extreme Learning Machine,OS-ELM)的改进算法—样本线性化和数据预处理极限学习机(PDC-ELM).PDC-ELM算法对线性不可分的数据样本先利用核函数进行处理,使数据样本具有线性可分的特征,对于处理后的数据样本,利用在线顺序极限学习机(OS-ELM)在计算之前对分类数据进行预处理,即从训练和测试数据集中查找不一样的特征标签并保存类标签中,实验中
粒子群优化算法(PSO)是一种群体智能进化计算方法,但在搜索过程中粒子紧跟最优粒子运动降低了粒子多样性和全局搜索能力,从而易陷入局部极值.本文提出一种新的粒子群优化算法(PSO-EWD),主要改进体现在2个方面:将惯性权重与进化因子相关联,根据种群的进化状态而改变权重大小,以平衡全局搜索能力与局部搜索能力;将时变的分布式时延引入速度更新公式中,以增加粒子的多样性.本文通过5种算法在9个基准函数上的实验对比,证明了新提出的算法相较于另外4种算法具有更优的适应度值、稳定性和收敛速度.
为了提高物联网区块链数据挖掘能力,需要进行数据优化聚类处理,提出基于深度学习的区块链数据分片峰值聚类算法.采用异构有向图分析方法进行物联网区块链数据存储结构设计,结合特征空间重组技术进行物联网区块链数据结构重组,提取物联网区块链数据的关联信息特征量,采用语义相关性融合的方法进行区块链数据特征提取和自适应调度,对提取的物联网区块链数据特征量进行模糊聚类处理,采用模糊C均值聚类方法进行物联网区块链数据的网格分片峰值聚类和属性分类识别,采用深度学习方法进行数据聚类过程中的分片峰值融合和聚类分析,实现区块链数据分
RRT算法是一种能够处理障碍物和差分约束的问题的算法,被广泛应用于移动机器人的路径规划.针对于基本RRT算法存在的随机性较大和所求解路径非最优等问题,需要对其进行改进从而优化性能与运行效率.本文主要采用双向RRT算法融合人工势场法的方案进行改进后的路径规划,然后借助Dijkstra算法进一步处理所求解的路径,以寻求路径的最优解.仿真结果表明,本方案可以减少基本RRT算法随机性的影响,提高移动机器人路径规划的效率.
以无人机为平台的桥梁巡检方案能够减少人工、避免安全隐患、提高效率,为了解决该系统中图像拼接实时性和拼接质量之间的矛盾,本文提出一种基于多特征优选的图像拼接算法,并设计开发出了一套基于无人机桥梁巡检的图像采集拼接子系统,先利用简单特征对图像流进行快筛,然后利用复杂特征来保持准确率,并提高系统的鲁棒性,最后通过性能指标对图像拼接质量进行调节。在实验中,针对处理速度、准确率和鲁棒性等各方面因素,本文算法
行为识别是计算机视觉领域的一个重要研究方向,已被广泛应用于视频监控、人群分析、人机交互、虚拟现实等领域。而时空建模是视频行为识别的一个重要部分,有效地进行时空建模可以极大地提高行为识别的精度。现有的先进算法采用3D CNN学习强大的时空表示,但在计算上是复杂的,这也使得相关部署昂贵;此外,改进的具有时间迁移操作的2D CNN算法也被用来进行时空建模,这种算法通过沿时间维度移动一部分特征通道用以进行
基于learning-to-rank技术构建频谱错误定位模型,从而实现高效的程序错误定位是当前的研究热点.然而,针对不同的程序和错误类型,如何生成有效的程序频谱特征集来训练错误定位模型,成为了极具挑战的问题.针对该问题,应用mRMR算法生成程序频谱特征集,提出一种learning-to-rank的错误定位新方法.该方法应用基因编程自动生成备选可疑度公式集,并利用mRMR算法从中选取一组公式子集,该子集中的可疑度公式具有与程序错误高相关且彼此之间低相关的特性.利用此可疑度公式子集结合程序频谱计算特征值输入机
针对复杂田间环境下杂草形态相似对深度学习模型识别效果的影响,本文以玉米及其主要伴生杂草作为研究对象,提出一种基于双线性卷积神经网络的细粒度杂草识别方法,用于提升作物与杂草识别的准确率。首先,研究对比了常见通用图像分类模型在杂草识别上的表现,选用识别效果较好的VGGNet-19和ResNet-50作为双线性网络的主干结构,以获取更有效的杂草特征,并采用迁移学习的方式训练网络。实验结果表明,该方法在数