结合全局上下文信息的交警手势识别方法

为了解决现有交警手势识别模型对全局信息提取得不够完善而导致识别准确率不高的问题,提出了一种结合全局上下文信息的交警手势识别方法(Spatial Graph Convolutional and Temporal Transformer network,SGCTT).该算法以STGCN网络模型为基础,使用图卷积进行非线性映射的方式来实现空间编码,并将空间编码得到的高维特征合并上一个用于分类的维度相同的可训练向量,然后再加入时间位置信息进行时间编码.最后,将时间编码器输出的训练完成的向量通过一个多层感知机进行分类输出.实验结果表明:在光照状态良好和夜间灯光下,SGCTT算法满足实时性的要求,对交警手势检测的平均精度达到了97.83%,相比于现有的交警手势分类模型有所提高,且具有更强的可移植性.

自监督学习HOG预测辅助任务下的车位检测方法

针对智能车位管理系统中,光照变化、车位遮挡等因素导致车位预测的精度下降、有效性变差的问题,提出一种自监督学习方向梯度直方图(HOG)预测辅助任务下的车位检测方法。首先,设计预测图像遮挡部分HOG特征的自监督学习辅助任务,利用MobileViTBlock(light-weight,general-purpose,and Mobile-friendly Vision Transformer Block)综合图像全局信息,使模型更充分地学习图像的视觉表征,并提高模型的特征提取能力;其次,改进SE(Squeeze-and-Excitation)注意力机制,使模型在更低的计算开销上达到甚至高于原始SE注意力机制的效果;最后,将辅助任务训练的特征提取部分应用于下游的分类任务进行车位状态预测,在PKLot和CNRPark的混合数据集上进行实验。实验结果表明,所提模型在测试集上的准确率达到了97.49%,相较于RepVGG,遮挡预测准确率提高了5.46个百分点,与其他的车位检测算法相比进步较大。