期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于多信息流动卷积神经网络的行人再识别 被引量:8
1
作者 桑海峰 王传正 +2 位作者 吕应宇 何大阔 刘晴 《电子学报》 EI CAS CSCD 北大核心 2019年第2期351-357,共7页
行人再识别问题中,由于视角、光照和行人姿态等因素的变化,导致难以提取有效的行人特征,降低识别精度.而深度神经网络在训练样本较少的情况下较难训练,易出现过拟合现象.针对上述问题,本文提出一种多信息流动卷积神经网络(Multi-informa... 行人再识别问题中,由于视角、光照和行人姿态等因素的变化,导致难以提取有效的行人特征,降低识别精度.而深度神经网络在训练样本较少的情况下较难训练,易出现过拟合现象.针对上述问题,本文提出一种多信息流动卷积神经网络(Multi-information Flow Convolutional Neural Network,MiF-CNN)模型,模型中包含一个特殊的卷积结构,该结构中每层卷积层提取到的特征与后续所有卷积层的输入相连接,增强了网络的特征信息流动性和梯度的反向传播效率,使得模型提取到的行人特征更具判别力.采用多损失函数组合方式训练网络模型,更好的区分行人类别.最后利用欧氏距离对行人特征相似性进行排序.在标准行人再识别数据集VIPeR和CUHK01上的实验表明,本文方法进一步提高了行人再识别精度,并有效改善了深度神经网络的过拟合现象. 展开更多
关键词 行人再识别 多信息流动 特征提取 卷积神经网络
下载PDF
全卷积连接神经网络的目标跟踪 被引量:1
2
作者 桑海峰 吕应宇 《电脑与信息技术》 2019年第1期1-5,21,共6页
由于多数跟踪器在相似目标干扰的情况下,很难持续正确地对目标进行跟踪。因此针对相似目标干扰场景下的目标跟踪,提出一种利用多个卷积层信息进行目标跟踪的全卷积连接网络结构(Full Convolutional Connection Network,FCCN)。首先在视... 由于多数跟踪器在相似目标干扰的情况下,很难持续正确地对目标进行跟踪。因此针对相似目标干扰场景下的目标跟踪,提出一种利用多个卷积层信息进行目标跟踪的全卷积连接网络结构(Full Convolutional Connection Network,FCCN)。首先在视频第一帧目标位置生成大量正、负样本,同时引入困难样本挖掘机制对目标进行识别。然后在目标跟踪过程中,全卷积连接网络能够将每一个卷积层生成的特征图进行信息整合,使得在跟踪相似目标时能充分利用提取到的特征信息进行跟踪。最后网络更新部分引入短期和长期参数更新方法,有效地增加了目标在各种场景下的识别能力。实验结果表明,该算法在目标跟踪视频数据集OTB-100测试精度为0.823,成功率为0.588。 展开更多
关键词 目标跟踪 相似目标 卷积神经网络 特征图
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部