基于内容的遮挡网格生成算法

基于目标的网格模型可以有效消除传统块匹配法进行运动补偿时产生的块效应 ,但是网格增强的帧内联接关系不适用于遮挡区域。本文在准确检测遮挡区域的前提下 ,进行遮挡的网格设计 ,即在遮挡区域不放置网格节点以及节点的运动矢量不进入遮挡区域 ,有效地解决了遮挡区域的运动估计问题。同时 ,利用鲁棒性较好的SUSAN检测算子进行特征点提取 ,建立基于内容的网格模型。实验证明 ,该算法是可行的 ,并具有良好的视觉效果。

遮挡自适应权重的人脸特征点定位算法

针对遮挡造成人脸定位失败和人脸特征点的遮挡标签匮乏等问题,提出了一种遮挡自适应权重的人脸特征点定位算法.基于HRNet,设计了一个遮挡自适权重损失函数,使遮挡点获得一个较小的权重用来减轻遮挡对特征提取的影响.在网络输出阶段,添加遮挡预测模块以获取特征点的遮挡度,对遮挡度进行线性变换作为热图回归任务的自适应权重.同时,通过在原图上生成随机大小、形状、颜色、纹理、透明度的遮挡及对应标签,进行数据集扩增.此外,根据预测坐标生成人脸的点特征图、边特征图、区域特征图以及切割图,将其与原图像融合后再输入主干网络,获得更好的人脸特征.本算法在COFW和300W等相关数据集上进行评估,取得了较好的准确性.

遮挡状态下行人再识别方法研究

随着相关计算机视觉算法的迅速发展,视频监控系统大规模的投入使用,不但提高了交通安全,也促进了智慧高速的发展。行人再识别算法作为视频监控系统中的重要技术环节日渐成熟与应用,进一步促进了高速公路建设与运营的安全。然而,由于应用场景的复杂性,尤其是在面对繁杂的场景遮挡因素时,伴随着遮挡物产生的噪声影响,不可避免地造成了被识别人或物的特征信息损失,对现有的行人再识别算法提出了极大的挑战。研究过程中,通过有针对性地遮挡样本生成及提高训练效率的损失函数的构建,提出基于注意力机制的网络结构。通过实验比较分析,提出的算法与近期的讨论热点相比有一定的优势,消融实验分析也进一步证明了所提出的网络结构的有效性。

基于生成对抗网络学习被遮挡特征的目标检测方法

实际生活中目标间存在的遮挡会造成待检测目标的特征缺失,进而使得检测准确度降低.鉴于此,提出一种用于被遮挡特征学习的生成对抗网络(generative adversarial networks for learning occluded features,GANLOF).被遮挡特征学习网络分为被遮挡特征生成器、鉴别器两个部分.首先对数据集生成随机遮挡,作为模型的输入;然后利用生成器恢复被遮挡图片的池化特征,通过鉴别器区分恢复后的被遮挡池化特征与无遮挡图片池化特征,同时使用检测损失监督生成器,使恢复的被遮挡特征更准确.所提出被遮挡特征学习网络可以作为组件插入到任意的两阶段检测网络中.与Faster RCNN等已有模型相比,所提出模型在PASCAL VOC2007和KITTI数据集上的mAP (mean average precision)指标均有不同程度的提升.