近邻中心迭代策略的单标注视频行人重识别

为解决视频行人重识别数据集标注困难的问题,提出了基于单标注样本视频行人重识别的近邻中心迭代策略.该策略逐步利用伪标签视频片段迭代更新网络结构,以获得最佳的模型.针对预测无标签视频片段的伪标签准确率低的问题,提出了一种标签评估方法:每次训练后,将所选取的伪标签视频片段和有标签视频片段特征中每个类的中心点作为下一次训练中预测伪标签的度量中心点;同时提出基于交叉熵损失和在线实例匹配损失的损失控制策略,使得训练过程更加稳定,无标签数据的伪标签预测准确率更高.在MARS,DukeMTMC-VideoReID这两个大型数据集上的实验验证了该方法相比于最新的先进方法,在性能上得到非常好的提升.

基于单标注样本的多损失学习与联合度量视频行人重识别

为解决行人重识别标注成本巨大的问题,提出了基于单标注样本的多损失学习与联合度量视频行人重识别方法。针对标签样本数量少,得到的模型不够鲁棒的问题,提出了多损失学习(MLL)策略:在每次训练过程中,针对不同的数据,采用不同的损失函数进行优化,提高模型的判别力。其次,在标签估计时,提出了一个联合距离度量(JDM),该度量将样本距离和近邻距离结合,进一步提升伪标签预测的精度。JDM改善了无标签数据标签估计的准确率低、未标记的数据没有被充分利用导致训练过程不稳定的问题。实验结果表明,和单标注样本渐进学习方法PL相比,当每次迭代增加的伪标签样本的比率为0.10时,在MARS和DukeMTMC-VideoReID两个数据集上的rank-1准确度达到了65.5%和76.2%,分别提升了7.6和5.2个百分点。

一种HMM的藏语安多方言文本分析方法

隐马尔可夫模型(Hidden Markov Model,HMM)在汉语语音合成中主要用于文本分析,因为文本分析对合成语音的自然度和清晰度有很大影响。语音的训练和合成都要经文本分析阶段,然而目前还没有藏语安多方言的文本分析研究。将HMM方法应用于藏语安多方言的文本分析,获取文本的单因素和上下文标注信息,实现机器的自动标注,具有创新性。实验测评结果表明,基于HMM的藏语安多方言语音合成效果优良。

基于HMM的藏语安多方言文本分析研究

隐马尔可夫模型(Hidden Markov Model,HMM)在汉语语音合成中主要用于文本分析,因为文本分析对合成语音的自然度和清晰度有很大影响。语音的训练和合成都要经文本分析阶段,然而目前还没有藏语安多方言的文本分析研究。将HMM方法应用于藏语安多方言的文本分析,获取文本的单因素和上下文标注信息,实现机器的自动标注,具有创新性。实验测评结果表明,基于HMM的藏语安多方言语音合成效果优良。