为了解决Transformer编码器在行人重识别中因图像块信息丢失以及行人局部特征表达不充分导致模型识别准确率低的问题,本文提出改进型Transformer编码器和特征融合的行人重识别算法。针对Transformer在注意力运算时会丢失行人图像块相对...为了解决Transformer编码器在行人重识别中因图像块信息丢失以及行人局部特征表达不充分导致模型识别准确率低的问题,本文提出改进型Transformer编码器和特征融合的行人重识别算法。针对Transformer在注意力运算时会丢失行人图像块相对位置信息的问题,引入相对位置编码,促使网络关注行人图像块语义化的特征信息,以增强行人特征的提取能力。为了突出包含行人区域的显著特征,将局部patch注意力机制模块嵌入到Transformer网络中,对局部关键特征信息进行加权强化。最后,利用全局与局部信息特征融合实现特征间的优势互补,提高模型识别能力。训练阶段使用Softmax及三元组损失函数联合优化网络,本文算法在Market1501和DukeMTMC⁃reID两大主流数据集中评估测试,Rank⁃1指标分别达到97.5%和93.5%,平均精度均值(mean Average precision,mAP)分别达到92.3%和83.1%,实验结果表明改进型Transformer编码器和特征融合算法能够有效提高行人重识别的准确率。展开更多
预测进阀温度的变化趋势对阀冷系统的运行状态有重要参考价值.针对传统方法存在数据收集时间跨度大和传感器存在误差等问题,本文提出了一种基于对抗扰动和局部信息增强的进阀温度预测模型Robust-InTemp.具体来说,Robust-InTemp通过对原...预测进阀温度的变化趋势对阀冷系统的运行状态有重要参考价值.针对传统方法存在数据收集时间跨度大和传感器存在误差等问题,本文提出了一种基于对抗扰动和局部信息增强的进阀温度预测模型Robust-InTemp.具体来说,Robust-InTemp通过对原始数据添加基于规则的高斯噪声,并使用基于梯度的对抗训练方法(projected gradient descent,PGD),增强了模型的泛化能力和抵抗噪声干扰的鲁棒性.同时,引入相对位置编码、一维卷积以及门控线性单元(gated linear unit,GLU),以增强模型对局部特征的学习能力,从而提高预测准确性.实验结果表明,与多种基准模型相比,Robust-InTemp在预测性能和抗干扰能力方面均有明显优势,进一步的消融实验也验证了模型中各个组件的有效性.展开更多
文摘为了解决Transformer编码器在行人重识别中因图像块信息丢失以及行人局部特征表达不充分导致模型识别准确率低的问题,本文提出改进型Transformer编码器和特征融合的行人重识别算法。针对Transformer在注意力运算时会丢失行人图像块相对位置信息的问题,引入相对位置编码,促使网络关注行人图像块语义化的特征信息,以增强行人特征的提取能力。为了突出包含行人区域的显著特征,将局部patch注意力机制模块嵌入到Transformer网络中,对局部关键特征信息进行加权强化。最后,利用全局与局部信息特征融合实现特征间的优势互补,提高模型识别能力。训练阶段使用Softmax及三元组损失函数联合优化网络,本文算法在Market1501和DukeMTMC⁃reID两大主流数据集中评估测试,Rank⁃1指标分别达到97.5%和93.5%,平均精度均值(mean Average precision,mAP)分别达到92.3%和83.1%,实验结果表明改进型Transformer编码器和特征融合算法能够有效提高行人重识别的准确率。
文摘预测进阀温度的变化趋势对阀冷系统的运行状态有重要参考价值.针对传统方法存在数据收集时间跨度大和传感器存在误差等问题,本文提出了一种基于对抗扰动和局部信息增强的进阀温度预测模型Robust-InTemp.具体来说,Robust-InTemp通过对原始数据添加基于规则的高斯噪声,并使用基于梯度的对抗训练方法(projected gradient descent,PGD),增强了模型的泛化能力和抵抗噪声干扰的鲁棒性.同时,引入相对位置编码、一维卷积以及门控线性单元(gated linear unit,GLU),以增强模型对局部特征的学习能力,从而提高预测准确性.实验结果表明,与多种基准模型相比,Robust-InTemp在预测性能和抗干扰能力方面均有明显优势,进一步的消融实验也验证了模型中各个组件的有效性.