异构分支关联特征融合的行人重识别

针对行人重识别(Person Re-ID)过程中,多分支结构的网络模型在提取行人特征时缺乏异构特征的问题,提出一种异构分支关联特征融合的行人重识别算法。训练阶段,将OSNet与注意力机制相结合作为主干共享网络,以学习到具有更强显著性和区分性的行人关键特征;将分支网络输出的行人特征进行水平均等分割,再提取关联条纹特征,从而全面利用位于条纹间的综合信息;设计异构特征提取模块,以增加模型学习差异特征所需的结构多样性。推理阶段,将多个特征向量融合成一个新的特征向量,再进行相似性判断。将该方法在Market-1501、DukeMTMC-reID数据集上进行有效性实验验证并对结果进行分析,所提算法能够提高行人重识别的准确率,模型所提取的特征具有较强的鲁棒性和判别力。

基于异构并行神经网络的语音情感识别

提取能表征语音情感的特征并构建具有较强鲁棒性和泛化性的声学模型是语音情感识别系统的核心。面向语音情感识别构建基于注意力机制的异构并行卷积神经网络模型AHPCL,采用长短时记忆网络提取语音情感的时间序列特征,使用卷积操作提取语音空间谱特征,通过将时间信息和空间信息相结合共同表征语音情感,提高预测结果的准确率。利用注意力机制,根据不同时间序列特征对语音情感的贡献程度分配权重,实现从大量特征信息中选择出更能表征语音情感的时间序列。在CASIA、EMODB、SAVEE等3个语音情感数据库上提取音高、过零率、梅尔频率倒谱系数等低级描述符特征,并计算这些低级描述符特征的高级统计函数共得到219维的特征作为输入进行实验验证。结果表明,AHPCL模型在3个语音情感数据库上分别取得了86.02%、84.03%、64.06%的未加权平均召回率,相比LeNet、DNN-ELM和TSFFCNN基线模型具有更强的鲁棒性和泛化性。