基于双流交互学习的长时空换装行人重识别

近年来深度行人重识别已取得快速进展,但长时空换装问题仍颇具挑战.为此构建一种双流交互学习算法模型(interactive dual-stream learning,IDSL):基于现有公开数据集生成无服装辅助模态图像,构建主辅双流分支网络来分别学习原始图像和无服装模态图像的细粒度特征;设计一种多尺度特征级联融合器(multi-scale feature cascade fusion,MSFCF),对细粒度特征进行重组并引进交叉注意力机制来实现全局语义和局部细节间的联合建模,提升模型鲁棒性;提出一种具有软惩罚机制的颈部网络(soft penalty batch normalization neck network,SoftBNNeck)来更好地区分度量学习和分类学习,使模型训练更稳定和可控;最后定义了双流一致性约束损失(dual-stream consistency constraint loss,DCCLoss)并探索了多损失联合训练策略,以更好地衡量换装行人身份的概率分布差异,提升重识别准确度.实验表明,在复杂换装行人公开数据集LTCC和Celeb-reID上,Rank-1/mAP分别达到73.8%/47.9%和66.7%/22.6%,领先于同类研究算法.

复杂交通环境下二轮机动车乘员头盔检测算法

针对现有二轮机动车乘员头盔检测算法在目标密集分布、随机遮挡等情况下效果较差且难以在边缘设备上应用的问题,制作了具有针对性的数据集,对比现有模型后,以YOLOv7为参考提出一种复杂交通环境下二轮机动车乘员头盔检测算法.首先,采用EfficientNet-B3作为主干网络,可提高特征提取能力且更为轻量化;其次,将增大感受野模块(RFB)引入特征融合结构中,以增大模型感受野,提升小目标头盔检测能力;最后,在检测头嵌入SimAM机制,在不增加参数的前提下提高算法精度.结果表明:相较于YOLOv7,文中算法的准确率、召回率和平均准确率分别提高了2.84%,2.26%和3.26%,参数量和运算量分别为YOLOv7的33.1%,23.5%,可实现当前主流模型算法的最佳检测性能和效率;在NVIDIA Jetson Nano开发板上的处理速度达到47.58 F·s-1,可满足边缘设备部署需求.

线束端子压接后外观缺陷的视觉检测算法研究

针对线束端子的缺陷检测效率低、漏检率高等问题,提出一种基于机器视觉的图像检测方法:分析线束端子3个主要部位的5种典型缺陷模式,并定义了缺陷评价参数;设计了定位基准拟合算法、待检部位自适应分割算法和缺陷特征参数计算方法;给出了各类外观缺陷的判断准则。实验结果表明,检测算法适用于各单类、多类混合缺陷模式,综合漏检率和误检率较低,准确率和实时性较高,能够满足实际应用要求。

X射线吸收光谱法在纺织材料识别中的应用

针对纺织行业中经常出现的纺织材料以次充好等造假问题,提出了一种使用X射线吸收光谱来进行自动无损识别的解决方案。使用X射线光谱探测器采集不同材料的光谱数据。首先,通过归一化处理,减少布料厚度对分类结果的影响;其次,使用3种不同的数据降维方法即主成分分析法(PCA)、线性判别分析法(LDA)、因子分析法(FA)对光谱数据进行降维处理;然后,将降维后的特征向量输入支持向量机分类模型进行分类识别;最后,采取精确率、召回率、F1-Score3个指标综合衡量不同的数据降维方式对分类结果的影响,最终找到最为理想的数据降维方式,进而建立最为准确的识别模型。该自动识别检测方法能够对试验中大部分纺织材料进行分类和识别。