基于改进YOLOv8算法的垂钓活动监测方法

为实现对灌区垂钓活动的智能化精准识别,提出一种基于改进YOLOv8算法的垂钓活动监测方法。该方法在YOLOv8的骨干网络中添加多尺度特征融合模块(Conv-M),用来学习来自不同卷积层(Conv)的特征,同时利用自学习的权重系数对特征进行加权融合,增强网络对垂钓活动的特征提取能力。通过训练网络得到垂钓活动监测模型,实现对视频图像数据中的垂钓活动进行检测和识别。该方法相较于YOLOv8方法的查准率提高了1.1%,查全率提高了1.4%,平均识别精度提高了0.9%。研究成果可提高灌区垂钓活动监管的智能化水平。

面向跨模态行人重识别的双向动态交互网络

为了解决当前跨模态行人重识别算法因采用权值共享的卷积核而造成模型针对不同输入动态调整能力差,以及现有方法因仅使用高层粗分辨率的语义特征而造成信息丢失的问题,提出一种双向动态交互网络的跨模态行人重识别方法.首先通过双流网络分别提取不同模态各个残差块后的全局特征;然后根据不同模态的全局内容动态地生成定制化卷积核,提取模态特有信息,并将其作为模态互补信息在模态间进行双向传递以缓解模态异质性;最后对各层不同分辨率的特征进行相关性建模,联合学习跨层的多分辨率特征以获取更具有判别性和鲁棒性的特征表示.在SYSU-MM01和RegDB跨模态行人重识别数据集上的实验结果表明,所提方法在第一命中率(R1)分别高于当前最好方法4.70%和2.12%;在平均检索精度(mAP)上分别高于当前最好方法4.30%和2.67%,验证了该方法的有效性.