细微特征增强的多级联合聚类跨模态行人重识别算法

目前跨模态行人重识别研究注重于通过身份标签在全局特征或局部特征上提取模态共享特征来减少模态差异,但却忽视了具有辨别力的细微特征。为此提出了一种基于特征增强的聚类学习网络,该网络通过全局和局部特征来挖掘并增强不同模态的细微特征,并结合多级联合聚类学习策略,最小化模态差异和类内变化。针对训练数据设计了随机颜色转换模块,在图像输入端增加模态之间的交互,以克服颜色偏差的影响。通过在公共数据集上进行实验,验证了所提方法的有效性,其中在SYSU-MM01数据集的全搜索模式下Rank-1和mAP分别达到了70.52%和64.02%;在RegDB数据集的V2I检索模式下Rank-1和mAP分别达到了88.88%和80.93%。

复杂背景下的电路板表面焊接缺陷视觉检测

为了解决现阶段的印刷电路板(Printed Circuit Board,PCB)缺陷检测方法没有同时关注缺陷的细节信息以及全局信息,跨像素卷积或池化的降采样操作更是造成了PCB表面缺陷全局信息与细节信息的丢失。虽然部分方法使用注意力进行层内信息的关注,但是对普通卷积提取特征后造成的权重偏差问题缺乏关注的问题。本文提出了PCB表面缺陷检测网络(PCB defect detection Network,PCBNet),该方法通过设计膨胀挤压卷积(Dilation and extrusion Convolution,DeConv)提取PCB表面缺陷全局信息与细节信息,使用空间向通道集中卷积(Spatial to Passage Directed Focused Con⁃volution,SPD-Conv)进行降采样以减少信息丢失,设计细微特征增强模块(Subtle Feature Enhancement Module,SFEM)调节PCB表面缺陷特征的层内关系以及减少权重偏差的同时增强算法对细微特征的感知能力。在现场采集的PCB表面焊接缺陷数据集以及PCB Defect-Augmented数据集上与多种先进方法进行的对比的实验结果表明,PCBNet不仅在PCB表面焊接缺陷数据集上能够以每秒83帧的速度进行准确识别,还在PCB Defect-Augmented数据集上取得了COCO数据集评价指标mAP0.5的最佳精度。表明本文的方法拥有可部署在嵌入式设备上运行的潜力。