基于随机遮挡和多粒度特征融合的行人重识别

针对行人重识别中存在遮挡及行人判别特征层次单调的问题,在IBN-Net50-a网络的基础上,提出了一种结合随机遮挡和多粒度特征融合的网络模型。通过对输入图像进行随机遮挡处理,模拟行人被遮挡的真实情景,以增强应对遮挡的鲁棒性;将网络分为全局分支、局部粗粒度互融分支和局部细粒度互融分支,提取全局显著性特征,同时补充局部多粒度深层特征,丰富行人判别特征的层次性;进一步挖掘局部多粒度特征间的相关性进行深度融合;联合标签平滑交叉熵损失和三元组损失训练网络。在3个标准公共数据集和1个遮挡数据集上,将所提方法与先进的行人重识别方法进行比较,实验结果表明:在Market1501、DukeMTMC-reID、CUHK03标准公共数据集上,所提方法的Rank-1分别达到了95.2%、89.2%、80.1%,在遮挡数据集Occluded-Duke上,所提方法的Rank-1和mAP分别达到了60.6%和51.6%,均优于对比方法,证实了方法的有效性。

鲁棒的正则化编码随机遮挡表情识别

为了提高随机遮挡下人脸表情的识别率,提出一种新的人脸表示模型,即鲁棒的正则化编码,通过正则回归系数对给定信号进行鲁棒回归。首先,为了减少遮挡对人脸表情识别系统的影响,待识别表情图像的每个像素点将被分配不同的权重;然后,由于被遮挡部分像素点应分配较小的值,通过连续迭代直到权重收敛于设定的权重阈值;最后,待测图像的稀疏表示将通过最优权重矩阵计算,且待测表情图像分类结果由训练样本逼近待测图像的最小残差决定。应用该方法在日本的JAFFE表情数据库和Cohn-Kanade数据库上取得较理想的结果,且实验结果表明该方法对随机遮挡表情识别具有鲁棒性。

基于随机遮挡孔径的光场图像混叠检测方法

现有光场采集系统存在角度信息欠采样的问题,由此引起的图像混叠效应降低了光场图像质量.本文在2D光场框架下分析了光场图像混叠的空域模型,并且提出一种变换离散孔径采样密度的混叠检测方法.该方法通过计算随机遮挡孔径(Random masked aperture,RMA)成像点集的变异系数进行混叠检测,特点在于无需已知场景深度和纹理的先验信息.以平面相机阵列为采集平台,本文在多组真实光场数据集上进行了方法的验证,并且在检测结果基础上对混叠效应进行了修正.

基于随机遮挡辅助深度表征学习的车辆再辨识

在车辆再辨识中,如何通过车辆外观学习到具有强区分度和鲁棒性的表示特征是至关重要的.为此,本文提出一种基于随机遮挡辅助深度表征学习的车辆再辨识算法以提高车辆再辨识的准确率.首先,本文所提算法通过引进随机遮挡对原始训练图片在局部区域进行随机遮挡,一定程度上模拟了现实中的一些遮挡情况,不仅增加了训练样本的数量,而且新增遮挡样本对于网络模型来说属于困难样本,能够防止网络模型过拟合,使得网络模型具有更强的鲁棒性;其次,本文所提算法通过构建孪生网络对原始图片和随机遮挡图片进行分类和验证联合优化学习.实验结果表明,在VeRi和VehicleID这两个数据库上,所提算法优于现有多种车辆再辨识方法.