基于行人恐慌情绪解析的改进社会力模型

为深入研究行人恐慌情绪对突发事件下群体疏散效率的影响特性,首先,考虑滞留时间、局部密度、行人与出口的距离、周围人员密度以及行人恐慌情绪传播等因素,解析并构建由自恐慌和恐慌传播2部分组成的行人恐慌情绪量化模型,并将其引入社会力模型中进行改进优化;然后,采用与经典现象对比的方法验证模型的有效性;最后,运用Anylogic软件进行仿真分析。结果表明:改进后的模型能够较好地反映行人在恐慌情形下的疏散运动特性;适度的恐慌情绪,如当恐慌度小于0.3时,可以加快人群的疏散速度;较高的恐慌情绪,如当恐慌值大于0.3时,则会加剧瓶颈现象,出现所谓的“快即是慢”现象,从而降低疏散效率。

基于高分辨率网络的地铁人体姿态估计研究

目前,人体姿态估计从二维发展到三维,从图像发展到视频,从复杂网络发展到轻量化网络,在不断发展过程中,姿态估计又融合了深度学习的理论,采用卷积神经网络作为模型的主要构建单元,使姿态估计获得更大的发展空间。研究采用高分辨率网络为主干网络,并行处理多个分辨率网络分支,在更深的网络层级中产生高分辨率表征,并通过并行的网络各个层级进行多尺度融合来增强高分辨率表征的语义丰富程度,通过在网络中添加注意力机制模块增强特征提取能力,提高人体姿态估计的准确度。