bck

收藏本站

基于卷积神经网络的行人再识别算法研究

【摘要】:行人再识别是计算机视觉领域的一个新兴研究课题,旨在给定某个监控摄像机下的行人图像,利用行人的外观特征,从不同的、没有视野重叠覆盖的摄像机拍摄的行人图像集合中准确地检索到该特定行人。行人再识别技术可广泛应用于智能安防、智能交通、智能购物等视频监控场景,有着非常重要的科研价值和实际应用意义,因此得到了计算机视觉社区越来越多的关注。近年来,大量的学者将以卷积神经网络为代表的深度学习算法引入到行人再识别问题中,这类基于深度学习的方法通过端到端的卷积神经网络,以“特征提取+损失函数优化”的方式学习到更鲁棒的且更具判别性的特征映射,部分解决了一些传统方法无法很好解决的问题,带来了行人再识别性能的极大提升。然而,基于通用的卷积神经网络框架的行人再识别算法仍面临一定的难题,例如对具有强判别性的行人局部细节特征不够敏感等。因此,本文面向行人再识别这一极具研究和实用价值同时又极具挑战性的热门问题,基于当今流行的卷积神经网络技术,围绕相同的核心主题—“让卷积神经网络更显著地关注具有强判别性的局部细节特征”,从融合多层相似度感知约束、利用高层特征图强激活值区域信息以及构建基于采样的尖锐注意力机制三个不同的角度提出了更优的行人再识别算法,具有重要的理论研究意义和工程实用价值。具体地,本文三个研究工作的主要内容和贡献如下:1、提出了一个基于深度孪生神经网络和多层相似度感知的行人再识别算法。在训练阶段,根据不同层次上多样化的特征图各自不同的特点,有效地在低层和高层特征图上分别施加了不同的相似度约束。由于这种适应于不同层次特征图的恰当的相似度比较机制的引入,该算法能够自适应地分别学习到更具有判别性的局部和全局特征。其中,学习到的局部特征能够更敏感地定位对识别跨摄像头的同一个人至关重要的显著局部区域。除此之外,该算法还有两个额外的贡献。首先,该算法提出了一个多任务学习框架来同时优化分类约束和相似度约束。多任务学习可以在解决的多个任务之间共享信息,集成它们各自的优点。其次,因为相似度比较信息已经编码在网络的可学习参数中,在测试阶段,该算法不需要成对的图像输入作为先决条件。因此相比于传统的基于孪生神经网络的算法,该算法更为高效,并且可以利用训练好的网络预先地提取候选图像库中每一张图像的特征来建立索引,这对于大规模的行人再识别实际应用是必不可少的。实验结果显示,相比于当时的其它算法,该算法在多个行人再识别基准数据集上取得了更加出色的性能。2、提出了一个无监督地提取并利用卷积神经网络最高一层卷积层特征图中的强激活值区域信息的行人再识别算法。通过观察和实验验证,该算法提取到的强激活值区域信息可以用来表征有抽象语义的局部细节特征,而且提取算法是无监督的,不需要利用额外的监督信息。进一步地,该算法提出了一个融合了全局信息和局部特征的深度特征映射模型,该特征模型可以有效地增大类间方差和类内方差之间的差距,因此显著地提升了检索性能。该算法不仅适用于行人再识别问题,而且适用于更大范围的细粒度检索问题。实验结果表明,该算法在行人再识别任务和细粒度检索任务上均优于当时的其它相关算法。3、提出了一个基于尖锐注意力机制的行人再识别算法。该注意力机制可以直接从卷积神经网络特征图上进行自适应采样来获得注意力感知掩膜。由于这一基于采样的注意力模型的引入,该算法可以自适应地产生更尖锐的注意力掩膜。这与基于软的可微门控函数来提取与再识别相关的局部特征的软注意力网络模型有很大的区别。软注意力网络通常使用Sigmoid函数将掩膜值平滑归一化到[0,1],该过程得到的掩膜往往存在一定的语义不确定性;与之相反,该基于采样的注意力机制可以通过迫使特征掩膜聚焦到最具有判别性的特征上的方式(也即掩膜值接近于非0即1)来消除对于再识别无关/冗余的特征。因此,该算法改进了传统的软注意力模型,可以更坚定自信地定位出对识别同一个人至关重要的细微局部特征,有效地减少了注意力特征的不确定性。为了达到这一目的,该算法使用了一个可微的Gumbel-Softmax采样器来近似伯努利采样,因此可以通过反向传播以端到端的方式进行尖锐注意力网络的训练。相比于基准算法和其他相关的算法,该算法在行人再识别领域广泛使用的几个大规模的数据集上取得了显著的性能提升。

下载App查看全文

(如何获取全文? 欢迎:、、)

支持CAJ、PDF文件格式


【相似文献】
中国期刊全文数据库 前17条
1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期
2 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期
3 王方;苗放;陈垦;;基于优化神经网络的地质灾害监测预警仿真[J];计算机仿真;2019年11期
4 马猛;王明红;;基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J];轻工机械;2019年06期
5 庄连生;吕扬;杨健;李厚强;;时频联合长时循环神经网络[J];计算机研究与发展;2019年12期
6 李杰;孙仁诚;;几种典型卷积神经网络的权重分析与研究[J];青岛大学学报(自然科学版);2019年04期
7 岳新;杜玉红;蔡文超;;基于GA-BP神经网络异纤分拣机检测参数优化[J];棉纺织技术;2020年01期
8 赵伟荣;李慧;;基于集成神经网络的织物主观风格预测研究[J];纺织科技进展;2020年01期
9 李金堂;;试析神经网络技术在机械工程中的应用及发展[J];网络安全技术与应用;2020年02期
10 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期
11 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期
12 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期
13 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期
14 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期
15 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期
16 李青华;李翠平;张静;陈红;王绍卿;;深度神经网络压缩综述[J];计算机科学;2019年09期
17 刘高宇;;深度神经网络在煤质数据分析与预测中的应用[J];电脑知识与技术;2019年28期
中国重要会议论文全文数据库 前10条
1 孙军田;张喆;;基于神经网络数据挖掘技术确定灾害等级的灭火救援出动力量模型研究[A];2016中国消防协会科学技术年会论文集[C];2016年
2 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
3 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集(第七分册)[南京理工大学学报(增刊)][C];2009年
4 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
5 李涛;费树岷;;具有变时滞Cohen-Grossberg神经网络的指数稳定性准则[A];第二十六届中国控制会议论文集[C];2007年
6 汪灵枝;秦发金;;具有变时滞和脉冲的离散Cohen-Grossberg神经网络的周期解[A];中国自动化学会控制理论专业委员会D卷[C];2011年
7 韩正之;林家骏;;用神经网络求解非线性相容方程[A];1993年控制理论及其应用年会论文集[C];1993年
8 林家骏;王赞基;;求解不可微优化问题的连续极大熵神经网络[A];1998年中国智能自动化学术会议论文集(上册)[C];1998年
9 姜德宏;徐德民;任章;;基于神经网络的自校正控制器[A];1993中国控制与决策学术年会论文集[C];1993年
10 窦永丰;贝超;;模糊与神经网络结合方式及在控制中的应用[A];1997年中国控制会议论文集[C];1997年
中国博士学位论文全文数据库 前10条
1 洪庆辉;忆阻神经网络的全电路设计及其应用[D];华中科技大学;2019年
2 田树耀;基于多尺度变分算法及深度卷积神经网络的图像压缩感知重建[D];燕山大学;2019年
3 孙诗昭;深度学习中深度问题与大模型问题的研究[D];南开大学;2018年
4 申晨;基于卷积神经网络的行人再识别算法研究[D];浙江大学;2018年
5 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年
6 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年
7 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年
8 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年
9 赵博雅;基于卷积神经网络的硬件加速器设计及实现研究[D];哈尔滨工业大学;2018年
10 杜昌顺;面向细分领域的舆情情感分析关键技术研究[D];北京交通大学;2019年
中国硕士学位论文全文数据库 前10条
1 程都;基于神经网络的航空发动机模型自适应修正[D];大连理工大学;2019年
2 池学敏;基于神经网络的中锰钢伺服拉伸性能研究预测[D];大连理工大学;2019年
3 杜巧林;基于深度学习的虚假评论检测[D];山东科技大学;2018年
4 顾旸铖;视频中人物特征提取及检测算法研究[D];上海交通大学;2017年
5 郭旭;基于深度神经网络的推荐系统研究[D];黑龙江大学;2019年
6 王丹蕾;基于BP神经网络的产品成本核算及预测[D];北京理工大学;2017年
7 李茹;基于深度神经网络的水利泵站工控安全研究[D];江苏科技大学;2019年
8 冯凯;基于RBF神经网络的炼化项目投资综合效益评价[D];大连理工大学;2019年
9 宋世杰;基于主分量加权SOM神经网络矿井水水源判别研究[D];山东科技大学;2018年
10 熊一点;基于深度学习的有色纤维配色算法研究[D];东华大学;2019年
中国重要报纸全文数据库 前10条
1 张允硕 姜正义 甄海锋 河南理工大学;[N];科学导报;2019年
2 湖北日报全媒记者 张爱虎 通讯员 徐向军 实习生 于蓝;[N];湖北日报;2019年
3 记者 刘霞;[N];科技日报;2017年
4 整理 本报记者 诸玲珍 顾鸿儒;[N];中国电子报;2018年
5 ;[N];电子报;2018年
6 张敏;[N];北京日报;2017年
7 ;[N];中国企业报;2017年
8 本报记者 龚丹韵;[N];解放日报;2017年
9 ;[N];中国企业报;2017年
10 张斌;[N];文汇报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978


{bck}| {bck体育官网}| {bck体育下载}| {bck体育app}| {bck体育}| {bckbet}| {bcksports}| {bck官网}| {bck}| {bck体育官网}| {bck体育下载}| {bck体育app}| {bck体育}| {bck}| {bck体育官网}| {bck体育下载}| {bck体育app}| {bck体育}| {bckbet}| {bcksports}| {bck官网}| {bck}| {bck体育下载}| {bck体育}| {bckbet}| {bcksports}| {bck官网}| {bck}| {bck体育下载}| {bck体育app}| {bck体育}| {bckbet}| {bck体育下载}| {bck体育app}| {bck体育}| {bckbet}| {bcksports}| {bck体育下载}| {bckbet}| {bcksports}| {bck体育官网}| {bck体育下载}| {bck体育app}| {bck体育}| {bck官网}| {bck体育下载}| {bckbet}| {bcksports}| {bck官网}| {bck体育app}| {bck体育}| {bcksports}| {bck官网}| {bck体育下载}| {bck体育}| {bckbet}| {bcksports}| {bck官网}| {bck体育}| {bcksports}| {bck官网}| {bck体育官网}| {bck体育下载}| {bck体育}| {bckbet}| {bcksports}| {bck}| {bck体育官网}| {bck体育下载}| {bck体育app}| {bck体育}| {bckbet}| {bck官网}| {bck}| {bck体育官网}| {bck体育下载}| {bck体育app}| {bcksports}| {bck官网}| {bck}| {bck体育官网}| {bcksports}| {bck体育下载}| {bck体育app}| {bckbet}|
{uc8}| {uc8体育}| {uc8官网}| {uc8老虎机}| {UC8娱乐城}| {uc8彩票}| {uc8}| {uc体育}| {uc8体育}| {UC体育}| {uc8官网}| {uc8老虎机}| {uc8体育}| {UC体育}| {uc8老虎机}| {uc8老虎机}| {UC8娱乐}| {uc8}| {uc体育}| {uc8体育}| {UC体育}| {uc8老虎机}| {uc8彩票}| {uc8}| {uc8体育}| {UC体育}| {uc8官网}| {UC8娱乐}| {UC8娱乐城}| {uc8}| {uc体育}| {uc8体育}| {UC体育}| {uc8官网}| {uc8老虎机}| {UC8娱乐}| {UC8娱乐城}| {uc8}| {uc体育}| {uc8体育}| {UC体育}| {uc8官网}| {uc8老虎机}| {UC8娱乐}| {UC8娱乐城}| {uc8}| {uc体育}| {uc8体育}| {UC体育}| {uc8官网}| {uc8老虎机}| {UC8娱乐}| {uc8彩票}| {uc8}| {uc体育}| {UC体育}| {UC8娱乐城}| {uc8}| {UC体育}| {uc8官网}| {uc8老虎机}| {uc8}| {uc体育}| {uc8体育}| {UC体育}| {uc8官网}| {uc8老虎机}| {UC8娱乐}| {UC8娱乐城}|