基于异构卷积神经网络集成的无监督行人重识别方法

行人重识别旨在从不同的摄像头中识别目标行人的图像.由于不同场景之间存在域偏差,在一个场景中训练好的重识别模型无法直接应用在另一个场景中.为克服该问题,现有的无监督行人重识别方法倾向通过使用聚类算法获得伪标签,再利用伪标签训练重识别模型.但是,由于聚类结果是不准确的,这类方法会引入大量噪声标签,从而限制了模型的泛化能力.因此,为减轻噪声伪标签的影响,本文提出了一种基于异构卷积神经网络集成的无监督行人重识别方法.该框架不使用任何人工标记信息,自动推测目标域中行人图像之间的关系,并构建协作可信实例选择机制,选择可信度高的伪标签用于模型的训练.通过设计双分支异构卷积神经网络学习判别能力强的多种行人特征,并利用记忆单元存储训练过程中的全局特征,减少因噪声标签在训练过程中产生的波动,提高模型的鲁棒性.本文方法在多个公开行人数据集上进行了验证并得到了良好的实验结果.在Market1501和DukeMTMC-reID数据集上,mAP分别达到了85.4%和74.8%.

面向隐私保护的联邦域泛化行人重识别方法

行人重识别旨在从不同的摄像头中识别目标行人的图像.由于不同场景之间存在域偏差,在一个场景中训练好的重识别模型常常无法直接应用在另一个场景,并且从摄像头收集的数据通常包含敏感的个人信息,而现有的大部分重识别方法通常需要训练数据的集中化,这可能会带来隐私泄露问题.因此,文中提出面向隐私保护的联邦域泛化行人重识别方法(Federated Domain Generalization Person Re-identification with Privacy Preserving,PFReID),在保护行人隐私的前提下,从独立的多个非共享数据域中学习泛化模型.使用频域空间插值的方法平滑各个客户端在数据集上的域偏差,增加样本的多样性,提高各客户端模型的泛化性能.在客户端构建双分支对齐学习网络,保证客户端局部模型和全局模型学习表示的一致性,用于客户端局部模型的更新.在多个公开行人数据集上的实验验证PFReID的性能较优.

基于双域信息的深度残差网络图像去噪

基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激活单元内引入多尺度学习和空洞卷积,以此提取图像特征,并减少了网络参数.为了进一步改善去噪结果,结合小波域损失和空间域损失构造联合损失函数,使得网络获取更多的边缘与细节.实验结果表明,本文提出的方法不仅可以有效去除图像噪声,而且可以更好地恢复图像纹理细节,在主观和客观评价中均获得了更好的结果.

基于瘦客户机的云平台在实验教学及管理中的应用

阐述采用虚拟化技术实现用户云桌面的方法,有效解决瘦客户机系统性能差、对服务器的运算能力和网络带宽要求过高、多媒体播放效果差等缺点。介绍基于瘦客户机的实验教学平台视频传输效果,指出通过引入流标签和组播技术等概念,能够提供更好的服务,弥补在多媒体应用上的不足,有效满足高校实验教学多样化的需求。

实施精细化管理,提升德育有效性

初中班级德育实施精细化管理,符合现代班级管理发展大势,注重常规细节管理、重视学生自我约束管理、启动感恩教育,都可以有效培养学生良好的行为习惯,塑造学生的社会责任心。精细化管理是一种理念,更是一种文化,是现代学校德育管理理念的具体体现。建立健全一套完整的精细化德育管理制度,已经成为学校德育教学管理的重要共识。

基于局部感知的车辆重识别算法

针对车辆重识别技术中难以通过全局外观特征准确识别不同车辆之间细微差异性的问题,提出一种基于局部感知的车辆重识别算法(local-aware based vehicle re-identification,LVR)。获取全局宏观特征以保留图像的上下文信息;利用空间变换网络的对齐模块对车辆图像进行分块,获取车辆局部细节信息;采用由粗到细的关键点检测方法获取局部关键点特征。在两个大型车辆数据集(即VeRi和VehicleID)上的评估结果表明,该算法具有较好的重识别效果。