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。     

考虑驾驶风格的模糊控制跟驰模型

针对传统模糊控制跟驰模型较少考虑驾驶风格的差异,同时缺乏真实数据的有效验证,基于模糊控制理论,模拟驾驶人在跟驰过程中采取的动态驾驶决策过程,考虑不同驾驶风格,在分析自然驾驶数据的基础上,利用实测数据对不同驾驶风格进行分析,获得各驾驶风格的期望车头时距参数,在此基础上,利用前后车距离误差和速度差作为独立变量,并建立了模糊控制规则。数值分析结果表明,该模型与自然驾驶数据拟合较好。     

Increasing Momentum-Like Factors:A Method for Reducing Training Errors on Multiple GPUs

In distributed training,increasing batch size can improve parallelism,but it can also bring many difficulties to the training process and cause training errors....     

基于VRNET的卫星路由算法研究与仿真

分析了目前已有卫星路由算法,讨论了其中具有代表性的多层卫星网络路由算法MLSR,在此基础上提出并设计了一种适合LEO&MEO&GE0多层卫星网络的路由算法DTMLSR,该算法充分利用了卫星通信网络的规律性和可预知性,利用地面网关来传输部分链路信息,有效地减少了路由计算开销,缩短建路时间.另外通过增加卫星网络流量监测及接入卫星的选取机制,平衡了网络流量分布,降低了网络的丢包率,并在一定程度上减少了通信业务的端到端时延.