基于响应正则化的孪生网络目标跟踪算法

基于孪生网络的跟踪算法是根据特征响应的最大值为目标最可能的位置进行训练跟踪器,当目标遭遇尺度变化和复杂运动的情况下,会产生来自其他物体或背景的干扰,导致模型漂移。因此,提出基于响应正则化的孪生网络目标跟踪算法,通过聚合响应最大值的方式得到更为准确的最大值,减少干扰因素的影响,可以得到更为准确的响应信息,从而可以进行可靠的目标跟踪。在OTB2013、OTB100和VOT2016的数据集上与其他孪生网络的跟踪算法的对比实验结果表明,在尺度变化和快速运动时,该算法具有更好的鲁棒性。

基于联合正则化策略的人脸表情识别方法

针对目前人脸表情识别大多采用基于深度学习的端到端特征提取及分类方法的现象,提出了一种新的深度模型优化方法。基于ResNet18残差网络架构和正则化思想,提出了联合正则化策略,即将过滤器响应正则化和批量正则化、实例正则化和组正则化、组正则化和批量正则化分别嵌入网络之中,平衡和改善特征数据分布,弥补单一正则化的缺点,提升模型性能。在2个公开数据集FER2013和CK+进行了验证和测试,最高准确率分别达到了73.558%和94.9%,实验结果表明,联合正则化策略提高了基础网络的性能,其表现优于诸多当前较新的人脸表情识别方法。