-
题名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
吕应宇
何大阔
刘晴
-
机构
沈阳工业大学信息科学与工程学院
东北大学信息科学与工程学院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2019年第2期351-357,共7页
-
基金
国家自然科学基金(No.61773105)
辽宁省自然科学基金(No.20170540675)
辽宁省教育厅科研项目(No.LQGD2017023)
-
文摘
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.
-
关键词
行人再识别
多信息流动
特征提取
卷积神经网络
-
Keywords
person re-identification
multi-information flow
feature extraction
convolutional neural network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名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
-
机构
沈阳工业大学信息科学与工程学院
-
出处
《电脑与信息技术》
2019年第1期1-5,21,共6页
-
基金
国家自然科学基金(项目编号:61773105)
辽宁省自然科学基金(项目编号:6177310520170540675)
辽宁省教育厅科研项目(项目编号:61773105201744147)
-
文摘
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。
-
关键词
目标跟踪
相似目标
卷积神经网络
特征图
-
Keywords
object tracking
similar target
Convolutional neural network
feature maps
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-