融合YOLO与TDN的人体行为识别方法

本文为了进一步提高复杂背景环境下人体行为识别的准确率,提出了一种融合YOLO和时间差分网络(Temporal Difference Network,TDN)的人体行为识别方法。首先,利用YOLO目标检测算法,对视频图像中的人体进行目标检测,获取目标识别区域后去除掉与人体行为无关的噪声背景区域;然后将经过YOLO目标检测的视频图像输入到TDN中进行训练后对视频图像中的人体行为进行识别。实验结果表明,与TDN算法相比,本文提出融合YOLO和TDN的人体行为识别方法在在公开数据集HMDB51上的Top1、Top5准确率分别提高了12%、16%,在环境复杂的公开数据集中取得了较好的结果。本文研究结果预期可为人体行为识别方法的改进提供思路。

基于跨纬度交互注意力机制的行人重识别方法

为解决由行人姿态、环境等复杂因素导致的行人特征表达能力弱、识别率低等问题,本文通过对AlignedReID++模型进行改进,提出了基于跨纬度交互注意力机制的行人重识别方法。首先,在特征提取部分,将跨纬度交互注意力Triplet Attention模块嵌入到ResNet50网络中,捕获空间维度和通道维度之间跨纬度的交互信息;其次,引入基于空间特性的视觉激活函数Funnel ReLU,解决激活函数的空间不敏感问题,增强网络模型的非线性表达能力;最后,在3个主流的行人重识别数据集Market1501、DukeMTMC-ReID、CUHK03上对改进模型进行效能评估,首位命中率Rank-1分别提高了1.6%、1.4%、2.8%,平均精度均值mAP分别提高了2.1%、2.3%、3.1%。结果表明所提算法具有良好的性能。