基于SASK和双分支结构的服装图像识别方法

服装图像具有明暗不一、尺度各异的特性,这使得已有识别方法表现不佳。为解决此问题,本文基于空间注意力选择核(space attention selective kernel, SASK)模块和双分支结构搭建神经网络模型对服装图像进行识别。首先,结合跳跃连接、稠密连接和多尺度、通道拆分的思想,设计双分支神经网络,充分提取服装对象的整体特征。其次,基于空间注意力机制,设计SASK模块,使网络可以更多地关注服装对象的形态特征信息,从而提升识别效果。实验结果表明,本文所提方法不但在典型服装数据集上能够取得优于现有主流方法的识别精度,而且在具有明暗不一、尺度各异特性的其他图像数据集上同样表现良好。

基于Conv-Involution的红外视频小样本人体行为识别方法

红外视频存在颜色信息缺失较为严重、识别区域易与背景混淆等现象,使得现有小样本特征提取网络常常关注无效信息,导致识别精度较低。针对此问题,本文提出一种基于内卷积(Conv-Involution)算子的红外视频小样本人体行为识别方法。首先,通过InstColorization方法恢复红外视频中的颜色信息;其次,基于空间和通道特异性设计Conv-Involution算子,并利用该算子和改进注意力机制设计特征提取网络,分离背景,更有效地关注行为发生区域;最后,结合小样本学习方法ANIL进行人体行为分类。对比实验结果表明,本文所提方法不但识别精度最高,而且具有出色的稳定性。

基于改进MobileNet V1的红外图像人体行为识别方法

为解决红外图像人体行为识别中深度学习模型参数量多、运行速度慢,以及无法对突发事件进行实时处理等问题,提出一种基于改进MobileNet V1网络的人体行为识别方法。根据红外图像特性,在通道维度上压缩输入特征,生成空间信息描述符;进行充分的信息交互,并由Sigmoid函数得权重向量;与输入特征相乘,获得优化后的特征,构建高效空间注意力模块;利用空间注意力模块改进MobileNet V1网络,保留其轻量化优势并提升其在红外条件下的性能。实验结果表明,MobileNet V1+ESA网络的识别率达到99.83%,明显优于MobileNet V1网络;与基于红外图像的其他网络相比,在识别精度基本不变的情况下,大幅降低了参数量和运行时间,取得了良好的识别效果。

基于改进ResNet-18的红外图像人体行为识别方法研究

人体行为识别在安全监护、安防监控、智能家居等诸多领域具有重要的研究意义和广泛的应用价值。由于红外信息具有受光照影响小、保护隐私等特性,因此基于红外信息的人体行为识别方法备受国内外学者关注。本文对包含7种行为类别的红外信息进行连续帧拼接处理,构建红外图像数据集。传统的ResNet-18网络性能较为优异,在可见光图像识别上一直表现良好,但在红外图像识别中效果欠佳。本文根据红外图像特性,对其进行相应改进:首先,构建多分支同构结构,替换7×7卷积,增强网络的表达能力;其次,结合最大池化与平均池化,避免丢失有用信息;最后,引入非对称卷积块构成多重残差结构,并与改进CBAM模块结合对残差块进行优化,从而增加网络多样性,提升网络的特征提取能力。实验结果表明,改进ResNet 18网络识别率达到99.96%,不但高于传统的ResNet 18网络,而且明显优于基于红外图像的其他网络。