深度神经网络模型数字水印技术研究进展综述

近年来,深度神经网络模型在各种应用领域都取得了巨大的成功,训练先进的深度神经网络模型仍需要大规模的数据集、高昂的算力成本和优异的算法思想,生成的深度神经网络模型成为一种宝贵的资源,也是完成人工智能应用领域某项特定任务的核心算法。因此,深度神经网络模型的安全则变得极其重要,利用数字水印版权保护技术保障模型的安全已经成为人工智能安全领域一个重要的研究方向。为了综述深度神经网络模型数字水印版权保护技术的最新研究进展,首先介绍了深度神经网络模型数字水印技术分类;其次介绍了深度神经网络模型数字水印版权保护技术基础概况;再次归纳总结了深度神经网络模型数字水印版权保护技术的研究方法;最后总结并展望了深度神经网络模型数字水印版权保护领域的研究重点和发展方向。

行人再识别技术研究综述

行人再识别是当前计算机视觉的研究难点和热点问题。根据行人再识别技术最新研究动态,对其研究现状进行了系统梳理,重点分析了特征学习和分类器算法两个最为核心的问题。首先将行人再识别的研究方法进行分类,其次整理了相关的研究资源,然后将特征学习分类为局部特征、块特征和全局特征,分类器算法分类为基于图像的建模方法、基于视频的建模方法、End-to-End的研究方法和深度学习模型,最后总结了行人再识别技术存在的主要问题,并对行人再识别检测技术的研究趋势进行展望。

开放式行人再识别研究进展综述

开放式行人再识别是在一个未知的空间环境中,候选行人库中并不一定包含有待检索的行人,被视为图像检索的子问题,是比封闭式行人再识别更具挑战和更为实用的应用研究。本文首先总结了开放式行人再识别的发展历程,与封闭式行人再识别的异同,开放式行人再识别建模过程和数据集的比较分析;然后重点总结了开放式行人再识别技术的研究方法,它们分别是以数据为驱动的研究方法、以效率为驱动的研究方法和以实际应用为驱动的研究方法;最后对开放式行人再识别技术的研究难点和未来发展进行了较为详细的分析和探讨。

基于视觉注意力的学生课堂行为分析

学生课堂行为分析可实时反映出学生的课堂学习情况,为优化课堂教学策略和改进教学方法提供了重要依据,探索如何利用机器实时地检测与识别学生课堂行为是智慧教室的重要任务。以视觉显著性的视觉心理学动机为切入点,引入全局视觉显著性机制和BING特征,快速估计课堂视频流中的Objectness学生对象,采用Faster-RCNN模型和时空网络算法对8种典型学生课堂行为进行检测和识别,最后进行全样本学生课堂行为分析。实验结果表明,视觉注意力机制BING特征的引入能大幅度提升算法的实时数据处理能力,计算效率提升近80倍,约为12.5f/s,算法并对8种典型学生课堂行为的检测和识别具有较高的识别精度,平均准确率为87.6%。