基于双流结构的跨模态行人重识别关系网络

针对可见光-红外跨模态行人重识别中模态差异导致的识别精确率低的问题,提出了一种基于双流结构的跨模态行人重识别关系网络(IVRNBDS)。首先,利用双流结构分别提取可见光模态和红外模态行人图像的特征;然后,将行人图像的特征图水平切分为6个片段,以提取行人的每个片段的局部特征和其他片段的特征之间的关系,以及行人的核心特征和平均特征之间的关系;最后,在设计损失函数时,引入异质中心三元组损失(HC Loss)函数放松普通三元组损失函数的严格约束,从而使不同模态的图像特征可以更好地映射到同一特征空间中。在公开数据集SYSU-MM01(Sun Yat-Sen University Multi Modal re-identification)和Reg DB(Dongguk Body-based person Recognition)上的实验结果表明,虽然IVRNBDS的计算量略高于当前主流的跨模态行人重识别算法,但所提网络在相似度排名第1(Rank-1)指标和平均精度均值(m AP)指标上都有所提高,提高了跨模态行人重识别算法的识别精确率。

基于非对称性对抗训练的多源域自适应智能故障诊断方法

使用传统域自适应方法对轴流风机进行跨工况故障诊断时,源域和目标域特征会相向靠拢从而改变训练好的源域特征分布;且当源域故障特征聚集在决策边界时,在域自适应后目标域故障特征同样聚集在决策边界,容易造成部分目标样本错分;此外单源域自适应会影响模型的泛化能力。针对上述问题,提出一种基于非对称性对抗训练的多源域自适应智能故障诊断方法,该方法使用三元中心损失减小源域故障特征的类内距离,增大其类间距离以提高目标样本的区分度;采用非对称性对抗训练方法实现目标域故障特征向源域单向移动;提取不同源域和目标域的域不变特征并输入各自故障分类器,使用余弦相似度对齐各分类器输出的同时施加对齐权重以提高模型的跨域诊断能力。通过试验证明,该方法在解决相关实际工业问题上成效显著。

结合一阶和二阶空间信息的行人重识别

针对行人重识别中行人检测误差引起的空间错位,基于局部的深度网络模型仅学习相邻局部关系,导致远距离局部相关性缺失,因此,提出了一种结合一阶和二阶空间信息的行人重识别算法。在主干网络上,学习一阶空间掩模对输入图像的空间权值进行微调,以减少背景干扰;通过二阶空间掩模对远距离的依赖关系进行建模,并将局部特征集成到依赖模型中,以获取全局特征表示。局部分支引入DropBlock对抽取的行人特征进行正则化,避免了网络模型过于依赖特定部位特征。训练阶段用标签平滑分类损失和引入正样本中心的三元组损失联合优化整个网络。在Market-1501和DukeMTMC-reID数据集上的实验结果表明,相比其他主流算法,本算法的行人重识别精度更高,且提取的行人特征判别性和鲁棒性更好。