基于多层次深度学习网络的行人重识别

提出了多层级特征融合模型,该模型利用深度学习网络提取行人图像的全局特征和局部特征,并将全局和局部特征联合起来,以生成更具辨识度的描述符.在模型中,基于部分的多层级网络用于提取不同网络深度的局部特征,从而将网络底层到高层中提取的局部特征组合起来.全局—局部网络分支则提取网络深层的局部特征和全局特征,用于识别行人.该模型在三个数据集上进行了实验并得到了更好的结果.     

行人重识别研究综述

行人重识别是指实现不重叠的不同摄像头下同一行人图像的匹配技术,在加强社会管理、预防犯罪行为发生以及实现事件重构等方面具有重要应用价值.由于行人重识别主要依靠人体外表视觉表示特征和人工设计特征,且受光照、图像分辨率、行人姿态及拍摄视角度等因素的影响较大,因此,行人重识别面临巨大挑战.本文对现有行人表示特征学习技术及度量技术进行了综述分析,指出存在的问题及可能的解决思路.本文的论述有利于该领域研究人员对现状的把握及提出新的研究思路.     

基于VGG-NET的行人重识别

首先采用卷积神经网络中的ALEX-NET和VGG-NET网络在Market-1501数据集上对行人特征进行提取,然后将提取出的行人特征进行相似性度量,通过计算行人准确率mAP值来实现最优匹配。实验证明,VGGNET模型较ALEX-NET模型的特征提取效果好,行人重识别的准确率高。     

基于多任务学习的行人重识别特征表示方法

作为一种跨摄像头的检索任务,行人重识别会受到不同相机视角造成的图像样式变化的影响。近年来,许多算法通过神经网络直接从原始输入图片中学习相应特征,虽然这些特征能够很好地描述全局行人,但忽略了许多局部细节信息,在复杂的场景下容易出现误识别。针对此问题,研究了一种基于多任务学习的新的特征表示方法,采用成对输入的孪生网络结构,将局部最大出现特征(local maximal occurrence,LOMO)和深层特征一起送入网络并映射到单一的特征空间中进行训练,形成一种新的网络模型TDFN(traditional and deep features fusion network)。利用神经网络自我学习特性,联合多个任务的损失函数更新网络,使得深层特征学习到更多与手工局部特征互补的细节信息。实验表明,新特征的平均精度mAP和Rank-1精度都优于直接从孪生网络提取的全局描述子。     

基于语义感知的行人重识别技术研究

针对由于行人拍摄相机参数、拍摄环境以及角度等的差异,使行人重识别算法的准确率较低的问题,提出了一种基于行人语义感知信息以及深度学习的行人重新识别算法。首先,超分辨率重构行人视图,提升行人视图细节特征,提取行人的整体特征值,并用其识别体型差异较大的行人。其次,感知行人图像的语义信息,根据上述结果提取行人语义信息的特征值,用于识别体型相同或相似的行人。然后将行人视频中的人体宏观特征值以及语义感知的信息特征值融合为综合的特征值。使用生成的特征值计算与不同个体视频特征值的间距,识别海量人物图像。最后,在不同的数据集中验证了算法的性能。实验结果表明,该基于语言感知行人重识别算法的mAP和rand-1值最高。     

基于特征融合的行人重识别算法

为解决实际行人重识别系统中识别率低、识别速度慢的问题,从创新和工程应用出发,提出了一种行人重识别算法。对行人图片进行预处理,采用色调、饱和度、亮度(hue,saturation,value,HSV)空间非线性量化的方法构建颜色命名空间,对人体分区域预识别来提高检测效率;对备选目标的整幅图像提取HSV和方向梯度直方图(histogram of oriented gradient,HOG)作为整体特征并在滑动窗口内提取颜色命名(color naming,CN)特征和2个尺度的尺度不变特征(scale invariant local pattern,SILTP),采用本文融合算法得到新的特征;在3个数据集上进行行人重识别,融合的特征在2种度量学习算法的Rank1平均提高了2.4%和3.3%。实验结果表明该算法能够提高重识别精度。     

基于深度学习的人体行为识别检测综述

人体行为识别检测是计算机视觉领域的研究热点,主要包括行为识别和行为检测两大部分.目前,对行为识别检测的综述主要聚焦在行为识别领域,对行为检测的关注度偏低.针对这一现状,聚焦行为识别和行为检测两个方面,分别综述了行为识别以及行为检测的各种方法,介绍了常用的数据集.首先从网络结构的角度重点论述了基于深度学习的行为识别方法;而后将行为检测划分为时序行为检测和时空行为检测,总结行为检测的各种算法;最后对各种算法的特点进行了总结分析,探索行为识别与行为检测的区别与联系,对当前研究面临的问题以及下一步的工作进行了总结和展望.     

基于深度学习的军事目标识别算法综述

目标识别作为深度学习中最受欢迎的领域之一,已广泛应用于民用的各个方面,如人脸识别、行人重识别、车牌识别、车辆识别等;而在军事应用领域,由于军事目标数据集较少,但识别要求精度高实时性强,所以还在发展阶段。本文首先阐述了基于深度学习的军事目标识别发展现状;然后介绍了六种目前主流的基于深度学习的军事目标识别算法（包括Mask R-CNN、GAN与深度森林、DRFCN、E-MobileNet、SSD300、YOLO）及相关网络结构、改进方法与实际应用;最后对主流方法进行总结,并探讨了未来的发展趋势。     

基于域分离和对抗学习的跨域行人重识别

针对跨域行人重识别应用中源域与目标域差异较大、现有模型无法在剥离域信息的同时有效获取关键身份信息的问题,提出一种基于对抗学习分离图像域信息与身份信息的方法 .该方法由域分离和对抗学习两个阶段构成:域分离阶段分离图像行人特征和域特征;对抗学习阶段通过特征提取器与相机分类器的对抗学习,提升模型对域信息与身份信息的区分能力.在Market-1501,DukeMTMC-reID和MSMT17数据集上开展跨域行人重识别验证实验,实验结果表明,所提方法在跨域行人重识别任务上取得了显著的性能提升.     

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。     

视频行人重识别研究进展

视频行人重识别是指在不同摄像头拍摄的视频中检索特定行人的技术.与图像行人重识别相比,视频行人重识别赋含信息更多,包含了帧与帧之间的时间信息、运动信息等,这有利于提高行人检索的准确率,因此视频行人重识别引起了国内外学者的广泛关注.本文探讨了视频行人重识别的处理过程,详细介绍了其中特征提取和距离度量的方法,并对各种特征提取方法的特点及应用进行了总结,给出了一些视频行人重识别实验数据集和评价标准,提出了视频行人重识别研究领域面临的挑战及相应的解决方案,最后对视频行人重识别技术未来的研究问题做了展望.     

深度学习中文命名实体识别研究综述

针对目前中文命名实体识别研究集中在输入文本的特征的提取,且输入的嵌入表示直接影响模型的性能这一特点,从背景知识、研究现状和未来发展等方面对中文命名实体识别的研究展开全面的调查．回顾了命名实体识别的发展进程,解释中文命名实体识别的研究难点,归纳不同的研究方法,分为基于字的模型、基于词的模型和基于字-词的模型;介绍目前中文命名实体识别的主流数据集、标注方法和评价指标,从不同角度分析了各数据集的特点;讨论了近几年深度学习技术在中文命名实体识别中的最新研究进展,介绍各分类下具有代表性的模型及性能对比,分析性能优劣原因;总结了中文命名实体识别当下所面临的一些挑战,讨论了未来更具有研究价值的方向,促进中文命名实体识别的进一步发展．     

人机协作的行人重识别

物联网技术的迅猛发展使得各种智能传感设备被大量部署,其中监控设备的覆盖范围逐年扩大.如何有效对兴趣目标或犯罪嫌疑人的重识别是非常重要的一个研究方向.由于目前的行人重识别技术,大多是对视频中的行人进行手工提取,制作成对的数据.而在真实环境中,手工裁剪数据对是不大现实的.本文提出了人机协作的行人重识别算法,首先对视频中的行人进行检测提取,然后和目标行人进行比对,在识别的过程中融入人的认知判别,对没有识别到的目标行人进行标注.和一些先进的行人重识别方法做了对比,本文的方法提高了识别的准确度和可靠性.     

基于邻域相似度的行人重识别重排序算法

在行人重识别模型中引入邻域数据关系,提出了一种基于图像邻域相似度的重排序方法。首先扩充图像的邻域数据,然后计算图像对不同邻域数据的相似度权重,利用该权重得到代表邻域相似度的分布距离,再用分布距离与原始距离计算得出最终距离作为重排序评判标准。使用CCL,Transreid, Torchreid等行人重识别模型在Market-1501,DukeMTMC-reID数据集上进行实验,结果表明本文方法对基准模型的精度提升均超过该领域的主流算法,证实了本文方法的有效性和泛化性。该重排序方法不需要任何人工交互和额外数据,适用于大规模数据集,可以有效应用于图像检索、目标跟踪等需要考虑相似度关系的任务中。     

基于特征学习的双路径红外-可见光行人重识别算法

由于拍摄视角、行人姿态的变化以及不同的相机光谱造成的额外跨模态差异,RGB图像和红外图像之间存在着明显的差异,提取有效的模态共享特征是红外-可见光行人重识别中的难点。本研究提出一种双路径学习算法来识别特征,利用改进的BNNeck模块来提取RGB和红外图像的特征信息,改善算法的识别性能。该算法首先将注意力机制引入双路径特征学习网络,获取RGB图像在空间维度和通道维度上的特征信息,实现红外特征信息匹配;然后,将BNNeck模块引入至跨模态行人重识别算法,减少模态特征信息差异,加快算法收敛速度;最后,在异质中心损失函数和交叉熵损失函数的基础上,引入跨模态下行人身份损失函数,提高行人识别的准确性。SYSU-MM01和RegDB数据集的实验结果表明,相对于目前大多数已有算法,所提算法具有更好的泛化能力和鲁棒性,Rank-1/mAP分别达到59.39%/85.44%和57.81%/73.19%,比最新算法分别提高2.43%/2.86%和2.44%/1.19%。     

基于AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.     

基于关系挖掘的跨模态行人重识别

基于文本的行人重识别模型通常依赖于全局特征对齐和局部特征对齐,但模态间和模态内的相关信息常被忽略。提出了一种基于关系挖掘的跨模态行人重识别方法,该方法包括双流主干网络、负相似度挖掘模块、关系编码器。首先,通过双流主干网络实现了全局和局部特征对齐;其次,通过负相似度挖掘模块提升了图像-文本对特征辨别的细粒度;最后,通过关系编码器模块分别学习图像和文本中隐含的关系信息,实现关系级别的特征对齐。在CUHK-PEDES数据集和ICFG-PEDES数据集上的实验结果证明,文中方法能够达到较高的识别精度。     

基于学习体型表征的行人再识别

行人再识别是计算机视觉领域的一项重要任务,但大多数现有模型很大程度上依赖于颜色外观。针对目前很少研究解决目标人物衣服不一致的行人再识别问题,提出一种新的表征学习模型。该模型通过对抗性学习和特征分离来产生不受服装颜色或图案影响的体型特征表示。同时,由于缺乏包含同一个人服装变化的行人再识别数据集,创建了一个合成数据集来模拟服装变化。4个数据集(两个基准行人再识别数据集,一个跨模态行人再识别数据集,合成数据集)的定量和定性结果证实了该方法对几种最先进的方法的鲁棒性和优越性。