姿态引导与特征增强结合的遮挡行人重识别

为解决现有遮挡行人重识别方法只注重于引入外部信息而忽略特征增强的问题,提出一种姿态引导与特征增强结合的遮挡行人重识别方法。将小步幅的滑动窗口引入VIT(Vision-Transformer),使网络获取局部的细微特征,将特征经过遮挡消除模块,消除遮挡带来的干扰;在模型中融入人体姿态估计网络,辅助模型解决遮挡带来的语义信息缺失问题;通过CBN模块提高模型的学习能力,使模型学习到更多高级语义信息。在遮挡行人重识别主流数据集Occluded-DukeMTMC上达到69.8%的Rank-1准确率以及63.2%的mAP,优于现有的其它方法,在整体行人重识别数据集上也取得了具有竞争力的结果。

基于CNN-GAN姿态引导的人体图像生成算法

目前姿态引导图像生成模型中的合成图像,主要存在属性、纹理缺失和质量模糊等问题。研究利用卷积神经网络和生成对抗网络,对图像数据进行特征提取和处理,并使用语义分割技术对图像外观属性进行提取特征的变换和融合,获取高质量的人体生成图像,并根据图像质量的评价指标对其分析,结果表明:卷积神经网络与生成对抗网络的模型结果分别为3.56和0.129,在不同数据集上训练的时间复杂度分别为6.13 s和11.38 s。因此证明了基于卷积神经网络与生成对抗网络的姿态引导人体生成图像方法具有优越性,并为计算机视觉技术和视频图像数据的传播提供了技术参考。

基于姿态引导注意力机制的跨域行人重识别

基于监督学习的行人重识别需要大量有标注数据的支持,模型可扩展性差。在实际应用中,更关注如何提高无标注数据的目标域行人重识别准确度的问题。因此,提出一种基于姿态引导注意力机制的跨域行人重识别方法。首先,使用源域的标注数据训练一个行人姿态引导的注意力模块,作为遮挡预测器区分图像中的行人有效区域和被遮挡区域。然后,在无标注的目标域数据集训练过程中融入该预测器,屏蔽因遮挡产生的干扰信息,并计算行人特征亲和度矩阵,为无标注数据生成软标记,更新和优化目标域的训练网络。在3个大规模公共数据集Market-1501、DukeMTMC-reID和MSMT17上分别进行了跨域试验,结果表明,在首位命中率(Rank-1)和平均精确度2个评价指标上,所提方法与现有方法相比均有明显提升。

“学讲达”:教师应有的引导姿态

“学讲达”流程不仅表现为学生自主的学习行动、学习追求，还表现为教师基于学生学习行动的引导、教导、深化等促进性的教学行动。实验表明，教师适时、适量的引导，一定程度上可以促进、加快学习流程。“学讲达”流程虽然表现为学生的“我学”“我讲”“我达标”，也是教师基于学生学习生态而实施引导策略的“教程”，教师应有自己的引导姿态。

融合姿态引导和多尺度特征的遮挡行人重识别

目的在行人重识别任务中,行人外观特征会因为遮挡发生变化,从而降低行人特征的辨别性,仅基于可视部分的传统方法仍会识别错误。针对此问题,提出了一种融合姿态引导和多尺度特征的遮挡行人重识别方法。方法首先,构建了一种特征修复模块,根据遮挡部位邻近信息恢复特征空间中被遮挡区域的语义信息,实现缺失部位特征的修补。然后,为了从修复的图像中提取有效的姿态信息,设计了一种姿态引导模块,通过姿态估计引导特征提取,实现更加精准的行人匹配。最后,搭建了特征增强模块,并融合显著性区域检测方法增强有效的身体部位特征,同时消除背景信息造成的干扰。结果在3个公开的数据集上进行了对比实验和消融实验,在Market1501、DukeMTMC-reID(Duke multi-tracking multi-camera re-identification)和Occluded-DukeMTMC(occluded Duke multi-tracking multi-camera re-identification)数据集上的平均精度均值(mean average precision,mAP)和首次命中率(rank-1 accuracy,Rank-1)分别为88.8%和95.5%、79.2%和89.3%、51.7%和60.3%。对比实验结果表明提出的融合算法提高了行人匹配的准确率,具有较好的竞争优势。结论本文所提的姿态引导和多尺度融合方法,修复了因遮挡而缺失的部位特征,结合姿态信息融合了不同粒度的图像特征,提高了模型的识别准确率,能有效缓解遮挡导致的误识别现象,验证了方法的有效性。