基于多尺度特征融合的跨视角步态识别

在跨视角步态识别中,针对衣着遮挡情况下难以提取具有可辨别性和多样性的步态特征,导致识别准确率下降的问题,提出了一种基于多尺度特征融合网络的跨视角步态识别方法。该方法能够有效利用步态特征间的互补性,获得具有可辨别性和多样性的步态特征,从而解决因衣着遮挡造成可辨别性差以及单一性的问题,进而提升跨视角步态识别的准确性。为验证所提方法的有效性,在公共数据集CASIA-B上进行了验证,实验结果表明所提方法在处理具有遮挡条件下的跨视角步态识别问题的识别性能达到了73.4%,同时在正常和背包两种行走条件下的识别性能分别达到了95.5%和88.0%。此外,我们的方法在处理遮挡条件下的识别性能优于同类典型的步态识别方法。

基于原型嵌入图网络的小样本图像分类

针对在小样本图像分类中传统骨干卷积网络进行特征提取时会有上下文信息单一和感受野受限以及边特征相似度度量缺乏全局性问题,本文提出了一种基于原型嵌入图网络的小样本图像分类算法。首先,将CBAM产生的权重值与ASPP以不同采样率获取的不同尺度特征进行相乘的特征作为图网络的节点嵌入特征。然后,采用原型网络的方法在度量模块中构建了原型节点,使得成对节点之间的相似性计算转化为单个节点与原型节点相似性的和计算,将得到的相似度作为边特征输入图神经网络。最后,利用双图结构在多个更新代后将标签信息从有标签样本传播到无标签样本。在以ResNet-12为骨干卷积网络的算法分类任务中,本文在mini ImageNet、tiered ImageNet、CUB-200-2011和CIFAR-FS 4个数据集上的5-way 1-shot的任务分类准确率分别达到了71.47%、75.41%、86.21%和79.84%,在以Conv-4作为骨干卷积网络中,本文提出的算法在5-way 1-shot和5-way 5-shot任务中都优于现有的图网络方法。

基于在线学习的阴影消除算法

针对在智能监控中,因为光照产生的阴影会后期信息处理和决策问题,提出了一种基于在线学习消除阴影的新算法。首先对视频设备图像转成矩阵,对矩阵进行SVD运算获得相应的特征基,在特征基上按照二类分类器思想将其化为二类最优化问题求解,通过在线学习产生非阴影和阴影类之间的分界系统,如果在置信区间,这样就可以直接将阴影类直接消除,否则更新直到非阴影和阴影类划分在置信区间为止。通过实验证明,该算法具有较好的自学习性和适应性。

基于张量特征的小样本图像快速分类方法

解决小样本图像分类问题最直接的方式是进行数据增强,但目前适用于小样本图像分类的数据增强方法大都存在模型复杂、推理时间长的问题.提出一个张量特征生成器,通过生成新的张量特征在特征空间对小样本图像进行数据增强.基于张量特征生成器,提出一个适用于小样本图像的快速分类方法(Tensor Feature-based Faster Classification Network,TFFCN),该方法网络结构简单,利用残差网络提取图像的张量特征,通过张量特征生成器对小样本图像进行数据增强,从而训练得到一个满意的分类器对查询集图像进行分类,解决了模型推理时间长的问题.为了验证提出模型的有效性,选用公开数据集miniImageNet,CUB以及CIFAR-FS,对分类性能和推理时间进行对比实验.实验结果表明,TFFCN的分类性能优于目前流行的数据增强方法,并且,和改进前的模型相比能有效减少模型的推理时间,采用ResNet18和ResNet12为主干特征提取网络时,随着生成的张量特征数量的增加,最高可减少49%和24%的推理时间,能更快速地完成小样本图像分类任务.