基于姿态估计和Transformer模型的遮挡行人重识别

行人重识别(re-identification,ReID)是利用人工智能解决边防检查、人员追踪等公共安全应用问题的技术,具有从跨设备采集的图像中识别某一特定行人的能力。但是在人员追踪等问题中,往往会出现行人刻意遮挡、复杂场景环境遮挡等因素,大大提高了行人重识别的难度。针对行人重识别遮挡问题,基于ResNet50网络,结合姿态估计和Transformer模型,提出了一种改进的行人重识别网络PT-Net,以提高遮挡条件下的行人重识别能力。该方法首先利用现有的姿态估计方法对输入图像进行关键点检测,并将关键点信息与行人特征图像结合起来生成一个基于姿态的行人特征表示;然后利用Transformer模型对基于姿态的行人特征表示编码,用来实现特征对齐和特征融合。基于国际公开的数据集Occluded-Duke开展实验验证。结果表明:PT-Net方法相对于基线模型,其均值平均精度(mAP)和相似度排序Rank-1指标分别提高了1.3、1.5个百分点,验证了该方法的有效性和优越性。

基于可解释注意力部件模型的行人重识别方法

大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3个优点:1)利用注意力掩码提取部件特征,解决部件不对齐问题;2)为了根据部件的显著性程度生成可解释权重,设计可解释权重生成模块(Interpretable weight generation module,IWM);3)提出显著部件三元损失(Salient part triplet loss,SPTL)用于IWM的训练,提高识别精度和可解释性.在3个主流数据集上进行实验,验证所提出的方法优于现有行人重识别方法.最后通过一项人群主观测评比较IWM生成可解释权重的相对大小与人类直观判断得分,证明本方法具有良好的可解释性.

基于特征增强的汽车发动机积碳程度识别模型

汽车发动机积碳的长期累积容易加速汽车老化,及时检测并清理可以有效延长汽车使用寿命。对此提出了一种基于视觉图像的积碳程度识别方法,首先针对积碳图像数据量小且类别分布不均的问题对数据进行预处理,其次基于积碳图像特征分布范围广及细粒度特点设计了一个特征重采样模块,从空间和通道两个方向加强特征表达,最后设计了一个轻量化的积碳程度识别模型方便检测部署。结果表明,与其他方法相比,该方法具有较高的预测速度,为179帧/s,且测试精度为84.5%,满足实际需求。

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。

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。

基于多模态融合的复杂场景人员重识别

人员重识别(re-identification,ReID)是计算机视觉中的关键任务,具有众多实际应用,如视频监控和人员跟踪。通过对各类应用场景的研究,提出了一种新方法,以解决复杂场景下ReID的挑战,包括遮挡、视角变化和光照条件变化等问题。利用多模态融合技术增强了ReID模型的判别能力,使其在具有挑战性的现实场景中更加稳健,并在基准数据集上进行了广泛的试验。结果表明了所提方法的有效性,实现了更为先进的性能。

基于非局部和门控轴向注意力的行人重识别

为进一步改善行人重识别技术在实际应用中的表现,通过引入自注意力机制,提出一种结合非局部模块和门控轴向注意力模块的行人重识别方法。该方法将自注意力模块插入到重识别网络卷积层中,通过非局部模块同时捕捉全局和局部上下文信息,并引入门控机制的轴向注意力模块提高行人重识别的准确性。在Market1501数据集上进行消融实验,验证同时使用非局部模块和门控轴向注意力模块对模型性能的显著提升效果。实验结果验证了设计的可行性与先进性,对相关领域研究具有一定的参考意义。

基于金字塔分割和时空注意力的视频行人重识别

针对视频行人重识别任务中存在的行人外观、遮挡等问题,研究并设计了一个基于金字塔分割和注意力机制的视频行人重识别模型。首先,为了增强图模型对行人局部特征的识别能力,提出了多个尺度的水平金字塔分割方法,将各特征分别分割成不同大小的区域,并池化成统一尺寸后输入图模型。另外,鉴于简单的时空注意模块容易因遮挡破坏行人特征,因此使用时空相关注意力方法改进时空注意模块,逐步学习并聚合空间局部信息,同时在时序上相互作用,抑制行人干扰特征并增强判别特征。将模型在Mars和DukeMTMC-VideoReID两个数据集上进行了评估,实验结果证实了文中提出方法的有效性。

基于模型识别的三相重合闸永久性故障判别

提出一种基于模型识别的带并联电抗器输电线路三相重合闸永久性故障判别方法。该方法以选相结果为基础,以瞬时性故障π形模型为识别模型,将并联电抗器电流作为已知量,求取本端及对端线模电压和电容电流的线模分量,进而求解两端并联电抗器电流和电容电流线模分量之和。瞬时性故障时,故障模型与识别模型一致,求解值等于0;永久性故障时,故障模型与识别模型不一致,求解值不等于0。据此可以判别是否为永久性故障。电磁暂态分析程序(EMTP)仿真表明,该方法能够有效识别永久性故障,可靠实现带并联电抗器输电线路的三相自适应重合闸。

基于变异系数权重的水质评价属性识别模型

运用水质评价标准的指标数值变异系数确定其权重,提出了新的用于水质综合评价的属性识别模型.采用松花江哈尔滨江段的水质监测资料说明该方法的操作过程以及评价结果的可靠性,评价结果得出,松花江哈尔滨江段的水质已达Ⅲ级,该结果与层次分析法所得的结果相同,从而验证了该模型用于水质综合评价是可行的.

区域生态安全评价的熵组合权重属性识别模型

为合理地确定区域生态安全评价的指标权重,提出把指标的权重结构分为反映评价指标不同属性对生态安全等级的影响程度的主观权重,和反映各区域评价指标样本值差异信息对生态安全等级的影响程度的客观权重,可分别采用层次分析法和熵权法确定这些权重,再用最小相对信息熵原理把它们综合为组合权重;为体现单指标评价过程中的评价作用,提出用属性识别模型进行单指标评价的新思路;对组合权重值和单指标评价值进行相乘并累加,建立了区域生态安全评价的熵组合权重属性识别模型(AR-CWE)。结果说明:用AR-CWE既可利用指标中的专家主观经验信息,又可挖掘各区域评价指标样本值的客观差异信息,权重信息利用全面,评价结果合理,方法通用,在安全系统综合评价中具有一定的应用价值。

基于变异系数权重的水质评价属性识别模型(英文)

运用水质评价标准的指标数值变异系数确定其权重 ,提出了新的用于水质综合评价的属性识别模型 .采用松花江哈尔滨江段的水质监测资料说明该方法的操作过程以及评价结果的可靠性 评价结果表明 ,松花江哈尔滨江段的水质已达Ⅲ级 ,符合实际的水质状况 该结果与层次分析法所得的结果相同 。

基于模型识别的带并补电抗输电线路三相重合闸无故障识别

针对带并补电抗输电线路的三相重合闸,提出了一种利用模型识别的三相重合前无故障识别方法。以熄弧后瞬时性故障模型作为无故障识别基准模型,利用测量精度高的并联电抗器电流计算各模分量模型中电抗器电流与电容电流之和,由模相变换得到各相电流之和实现无故障识别。瞬时性故障熄弧后即无故障时,实际模型与基准模型一致,三相电流之和均为0;故障未消失时,由于故障回路的存在,故障相电流之和不为0,能够进行故障相别的确认。该方法不依赖于故障选相,能够实现三相重合前无故障的可靠识别,对于未消失故障尤其是实质永久故障能够避免盲目重合,同时能够识别故障相。ATP仿真结果验证了该方法的正确性和有效性,有利于提高三相重合闸重合成功率。

变权重灰色归类识别模型在煤层冲击倾向性评价中的应用

为了准确合理地评价煤层冲击倾向性,提出煤层冲击倾向性评价的变权重灰色归类识别模型。选取煤的冲击倾向鉴定中推荐使用的4项判定指标作为煤层冲击倾向性评价指标,依据变权思想求解评价对象的变权权向量。通过灰色关联分析确定评价对象相对于冲击倾向性评价标准的灰色距离关联度,进而构建冲击倾向性灰色归类识别模型,得到评价对象的灰色差异度,并以最小隶属度原则判断评价对象的冲击倾向性隶属类别。工程实例表明,变权重灰色归类识别结果与综合评判结果相吻合,能准确地对煤层冲击倾向性进行定量分析与评价。研究结果为冲击倾向性评价与鉴定提供了一种新方法。

时域模型对视频行人重识别性能影响的研究

行人重识别是计算机视觉领域一个重要的研究方向。近年来,随着视频监控需求的日益增长,基于视频序列的行人重识别研究受到了广泛的关注。典型的视频序列行人重识别系统由三部分构成:图片特征提取器(例如卷积神经网络)、提取时域信息的时域模型、损失函数。在固定特征提取器和损失函数的前提下,研究不同时域模型对视频行人重识别算法性能的影响,包括时域池化、时域注意力、循环神经网络。在Mars数据集上的实验结果表明:与基于图像的行人重识别基准算法相比,采用时域池化模型、时间注意力模型可以有效改善识别精度,但采用循环神经网络后识别效果比基准算法有所下降。

电话交谈语音识别中基于LSTM-DNN语言模型的重评估方法研究

近年来,神经网络语言模型的研究越来越受到学术界的广泛关注。基于长短期记忆(long short-term memory,LSTM)结构的深度神经网络(LSTM-deep neural network,LSTM-DNN)语言模型成为当前的研究热点。在电话交谈语音识别系统中,语料本身具有一定的上下文相关性,而传统的语言模型对历史信息记忆能力有限,无法充分学习语料的相关性。针对这一问题,基于LSTM-DNN语言模型在充分学习电话交谈语料相关性的基础上,将其应用于语音识别系统的重评估过程,并将这一方法与基于高元语言模型、前向神经网络(feed forward neural network,FFNN)以及递归神经网络(recurrent neural network,RNN)语言模型的重评估方法进行对比。实验结果表明,LSTMDNN语言模型在重评估方法中具有最优性能,与一遍解码结果相比,在中文测试集上字错误率平均下降4.1%。

一种基于模型压缩的行人重识别方法

深度学习模型在行人重识别领域虽已取得较大的发展,但由于对计算力和存储空间的要求比较高,仍然制约着其在开放空间中的应用。针对上述问题,提出一种通道剪枝、分组卷积、自注意力机制优化组合策略进行行人重识别模型压缩,提升模型在开放空间中的精准度和高效率。此方法可根据具体场景的需求灵活组合、获得适用于边缘智能设备的最佳Re-ID模型,具有高效、灵活、易拓展等特性。

基于生成对抗网络联合时空模型的行人重识别方法

跨摄像头的行人跟踪是智慧城市和智能安防的技术难题,而行人重识别是跨摄像头行人跟踪中最关键的技术。针对因领域偏差而导致行人重识别算法跨场景应用时准确率大幅下降的问题,提出一种基于生成对抗网络(GAN)联合时空模型的方法(STUGAN)。首先,通过引入GAN生成目标场景的训练样本,以增强识别模型的稳定性;然后,利用时空特征构建目标场景样本的时空模型,以筛选低概率匹配样本;最后,融合识别模型与时空模型来进行行人的重识别。在该领域典型的公开数据集Market-1501和DukeMTMC-reID上与词袋模型(BoW)、先进的无监督学习(PUL)、无监督多任务字典学习(UMDL)等先进无监督算法进行实验对比。实验结果分析表明,所提方法在Market-1501数据集上的rank-1、rank-5及rank-10指标的准确率达到66.4%、78.9%及84.7%,比对比算法最好结果分别高5.7,5.0和4.4个百分点;平均精度均值(mAP)仅低于保持主题一致性的循环生成网络(SPGAN)。

基于结构重参数化的复杂背景下天然草地植物图像轻量级分类识别方法

野外环境下天然草地植物种类的准确快速识别对草地资源调查、科学实验和教学科普等应用场景至关重要,目前多采用人工现场判别等方式,耗时耗力且受限于专家经验。以新疆干旱区天然草地植物为研究对象,构建自然复杂背景下的整株天然草地植物图像数据集。引入非对称卷积并结合结构重参数化方法优化RepVGG网络,提出并验证了一种兼顾识别精度、并行度和效率的自然复杂背景下天然草地植物图像轻量级分类识别模型(RepVGG_ACB),并与主流的经典网络模型(VGG系列和ResNet系列)以及轻量级模型(MobileNetV2和ShuffleNetV2)的识别效果进行对比分析。结果显示:(1)结构重参数化的RepVGG_ACB系列模型A0_ACB、A1_ACB和B0_ACB对天然草地植物的识别准确率为90.7%、92.4%和95.6%,模型有效且识别效果显著。(2)优化后的RepVGG_ACB网络在训练阶段采用多分支结构,识别准确率提高了1.9%~4.2%,提高了网络的泛化能力;在推理阶段采用并行度更高的单路结构,减少了FLOPs和参数量,降低了模型复杂度。(3)与经典网络模型相比,在准确率相当的情况下推理速度提升了1.3~3倍;与轻量级模型相比,推理速度虽略不及但准确率提高了2.1%~3.2%。结果表明:RepVGG_ACB系列网络在识别精度、并行度和效率方面取得均衡,具有其他网络所不具备的优势,可应用于无人机机载传感器网络或智能手持终端等边缘计算环境,为野外植物自动化高精度智能分类识别提供新方法。

预训练卷积神经网络模型微调的行人重识别

针对行人重识别中传统的人工提取的行人浅层特征因受摄像机角度、光照等外界环境的影响,鲁棒性不好,收敛速度慢的问题,研究使用预训练卷积神经网络模型在行人数据库上进行微调的方法,对行人图片进行特征提取,从而得到高维的深层行人特征,最后通过欧氏距离进行相似性的度量。实验结果证明,深层的行人特征在平均准确度评估标准上,相比于传统的人工设计特征,分别得到了9.51%、11.12%、16.63%、16.96%的提高,收敛速度也变得更快,说明深层特征的行人识别能力更强。