基于区域特征对齐与k倒排编码的行人再识别方法

在行人再识别过程中,由于行人姿态变化会导致图像之间对应位置存在身体区域不对齐的问题,从而降低识别准确率。为此,设计一种新的行人再识别方法。利用卷积神经结构计算行人图像的响应图,根据响应图中的极值点定位行人身体节点,并以此划分特征区域,将提取的各个区域的特征进行融合得到特征表示。在比对距离度量上通过引入k倒排近邻使更多的正样本包含在近邻中,在杰卡德距离中将k倒排近邻集编码成向量以减少计算量,使得越近的邻域获得越大的权重。实验结果表明,相比于对整幅行人图像提取特征方法与单独使用马氏距离的方法,该方法能有效提高行人再识别的准确率。

NRCNN与角度度量融合的人脸识别方法

常见的卷积神经网络通常使用分类损失来进行可分离的特征学习,在某些情况下存在特征的可区分性不足的问题,而一些改进的方法复杂度较高.为了在较低的复杂性下仍能保证较高的准确率,提出了一种基于嵌套残差卷积神经网络与角度度量的人脸识别方法.首先,设计了一种新颖的基于嵌套残差模块的人脸特征提取网络,通过多特征图融合的方式提取更丰富的特征;其次,使用了一种基于权值标准化的角度度量方法,通过对最后一个全连接层的权值进行标准化的操作来增强特征区分性.在网络训练时,结合上述两种方法使得学习到的特征满足最大类内距离小于最小类间距离的原则。实验表明,该方法在人脸标记数据库上测试准确率达到99.03%,相较于使用分类损失和其他度量学习的方法,该方法仅使用了单个网络并能在保证较高准确率的情况下付出更小的计算代价.

基于双重加强特征的人脸年龄估计方法

为了解决年龄估计任务中很多方法仅考虑全局特征而忽略关键性的局部特征的问题,提出一种基于双重加强特征的人脸年龄估计方法。根据人脸关键点的位置对人脸图片进行裁剪分块,提取出眼睛、鼻子、嘴巴3个包含了与年龄相关的特征(比如眼纹、法令纹、胡子等)的局部区域,而这些局部区域可以在已有的全局特征基础上加强关键性的局部特征信息。将局部区域图片和整张图片联合起来输入基于压缩激励的并联残差网络中,该网络能够通过特征重标定的方法进一步加强有用的特征并抑制用处不大的特征。把多个不同子区域年龄估计结果结合起来作为最终的年龄预测值。实验表明,该方法中所采用的全局特征结合局部特征进行年龄估计的方法好于仅使用全局特征来判断年龄。相比于其他方法,该方法具有较低的平均绝对误差,且复杂度较低。