基于域自适应网络的目标重识别研究
这是一篇关于目标重识别,行人重识别,车辆重识别,特征学习,注意力机制的论文, 主要内容为目标重识别目前集中在行人重识别和车辆重识别方向,用作检索固定目标在其它摄像机或该摄像机下的相似目标,并按照相似性排序,是跨摄像机追踪系统主要的组成部分之一。随着算力的飞速发展和亟需解决的应用安全问题,目标重识别技术主要与目标检测、目标跟踪技术搭配使用,在公共安全、智慧校园、视频监控、智能交通和城市计算等领域具有普遍的应用需求。由于采集装备差,安装在不同位置上的摄像机拍摄的图片质量参差不齐,还有目标各角度特征不同等因素的干扰,目标重识别自身存在的挑战很多,这给研究者们带来多重困难,在方法设计上也衍生出了针对不同干扰项新颖的解决办法。根据目标类别,目标重识别主要有行人和车辆两个重要类别研究。论文针对行人存在遮挡和姿势变化问题,研究设计了基于多尺度批量特征丢弃网络模型实现复杂环境下行人重识别,同时针对车辆重识别任务面临类间差异小和识别率低的问题,提出了一种基于部件解析随机擦除和注意力融合的推理网络。实验结果表明,针对行人和车辆问题提出的算法在主流数据集上超越了大多数算法,达到了较为先进的水平。针对行人重识别任务,为了解决行人重识别存在的遮挡和姿势变化问题以及目前网络识别率低的缺陷。提出了不同空间维度的多分支行人重识别网络模型,首先利用IBN-Net50-a为基础骨干网络提取特征。然后对最后两层卷积层融合批量特征丢弃方法,以增强局部区域专注特征学习。最后拼接不同维度的特征,能够包含更多浅层、深层的有用信息。训练时,采用三元组损失和标签平滑损失联合策略。使用三个常用的基准数据集Market1501,Duke MTMC-re ID和CUHK03进行实验验证,并按照主流策略划分数据集。实验结果表明,所提方法在特征映射方面很强大,获得了不错的行人重识别精度。针对车辆重识别任务,虽然近年来的方法通过从关键点或零件边界框学习详细特征取得了很大的改进,但车辆重识别问题仍远未得到解决。因此提出了一种用于车辆重识别的部件解析随机擦除和注意力融合的推理网络,该网络选择嵌入了IBN层的Res Net50网络作为特征映射的基础网络,使用部件解析随机擦除方法对输入训练的车辆图片进行数据增强,加强网络的鲁棒性,并融合了Non-local注意力机制,能够得到原图上更多的细节,为后面的层带去更丰富的信息。训练时,采用三元组损失和标签平滑损失函数联合策略。广泛的实验结果表明,所提方法在Ve Ri、Vehicle ID和VERI-Wild数据集上获得了良好的性能,这表明了该方法的有效性和通用性。
基于少样本学习的车辆重识别研究
这是一篇关于车辆重识别,少样本学习,数据集,注意力机制的论文, 主要内容为车辆重识别旨在从监控摄像头采集的图像数据中检索给定查询车辆所有图像,对城市安防、道路监控等智能交通领域具有重要意义。在现实交通场景采集车辆图像时,车辆图像不仅具备时空跨度大、种类繁多等特点,而且容易受光照、拍摄视角等因素的影响,从而导致可用样本较少。同时,车辆具有典型的“类间差异小、类内差异大”的问题,即制造商所生产的相同车型和颜色的不同车辆,其外观差异微小,同一车辆处于不同的交通环境,其外观差异巨大。此外,对不同监控区域拍摄的车辆进行特征学习时,存在视角变化剧烈的问题,这更加加剧了少样本车辆重识别的挑战。针对上述所面临的挑战,本文基于少样本学习的思想对车辆重识别任务进行了研究,主要研究内容如下:(1)考虑到现有车辆重识别数据集时空跨度有限、相同ID车辆样本数量较多和采集成本较高等问题,不利于少样本车辆重识别方法的研究。因此,本文构建了一个小规模数据集Veri-FS。该数据集具备背景信息复杂、光照条件多样和拍摄视角丰富等特征。Veri-FS数据集也充分体现了现实交通环境下车辆时空跨度大和同一ID车辆难以重复采集的特点。(2)针对现实交通场景下车辆样本稀缺和外观几乎相同的问题,本文提出一种具有多视图融合和全局特征增强的少样本重识别网络。其中,局部分支通过视图拼接方法解决车辆样本稀缺时视图分割不精确的问题。通过混合注意力模块为拼接视图中的关键局部区域赋予较大的权重。与此同时,全局分支通过特征增强模块获得全局特征的空间和通道关系,以此增强车辆全局特征的表达能力。该网络不但获得了更加丰富和完整的车辆特征,而且使得网络在少样本情形下依旧可以保持较好的泛化能力。(3)为了解决视角拼接带来的网络复杂性和训练成本过高的问题,本文在数据增强的基础上加入了参数优化,提出了一种具有全局特征优化和局部特征增强的双分支网络(Dual-Branch Network,DB-Net)。其中,DB-Net中的全局分支通过基于数据增强的特征优化模块以进一步优化全局特征,该模块使用深层卷积和空间通道调制来挖掘全局语义信息。局部分支通过基于参数优化的特征筛选模块选择部件最相关的特征,并通过注意力模块自适应地为显著性局部区域分配较大的权重。DB-Net不但可以获得具备较好语义性的全局特征,而且可以在少样本情况下自适应的凸显显著性局部区域。相较于基于深度学习的方法,降低了网络对样本的依赖。
融合多属性和局部特征的车辆重识别系统设计与实现
这是一篇关于车辆重识别,深度学习,局部特征,索引构建的论文, 主要内容为随着物联网飞速发展,海量的监控视频实时产生,传统人工检索和跟踪违法犯罪车辆耗费大量的人力和时间成本。因此,研究车辆重识别系统具有重要意义。车辆重识别本质上是一个图像检索问题,通过用户输入的车辆图像,从图库集中检索出其他摄像头拍摄的同一车辆图像。车辆重识别是计算视觉领域的重要研究方向,在交通安全、车辆跟踪等领域有着广泛的应用基础。但目前车辆重识别任务存在着不同摄像头下视角差异性大,局部特征提取不充分,检索耗时等问题。本文基于深度学习对重识别问题展开了研究,主要研究内容如下:(1)为了缓解车辆在不同视角下存在的差异性问题,本文利用带有丰富属性标注的合成数据集辅助车辆重识别任务。然而,合成数据与真实数据存在差异,导致模型的泛化能力受到限制。本文引入了领域自适应的对抗性训练,以充分利用合成数据集的标签,并提升真实数据集的属性识别能力。同时,研究了不同属性对于重识别的重要性,并采用注意力机制构建属性对最终识别效果之间的权重关系,以提升车辆重识别效果。(2)针对目前车辆重识别局部特征提取不充分的问题,结合车辆特有的方向信息提出一种方向性特征丢弃分支,该分支通过判断车辆的不同方向生成对应的Mask矩阵,迫使网络通过提取更广泛区域的局部特征进行重识别,最终有效提高车辆重识别效果。(3)设计并实现车辆重识别系统,根据用户输入的车辆图像,能够输出车辆相关的属性信息,并从图库中检索出目标车辆的其他图像。为了提高海量数据的检索效率,系统采用了向量索引技术,有效提升图像的检索效率。最后,对系统进行完整的功能测试和非功能测试,并展示了相关模块的操作界面。测试结果表明,本系统的功能能够满足需求,可以有效地帮助办案人员进行快速车辆检索,降低人工成本。
基于少样本学习的车辆重识别研究
这是一篇关于车辆重识别,少样本学习,数据集,注意力机制的论文, 主要内容为车辆重识别旨在从监控摄像头采集的图像数据中检索给定查询车辆所有图像,对城市安防、道路监控等智能交通领域具有重要意义。在现实交通场景采集车辆图像时,车辆图像不仅具备时空跨度大、种类繁多等特点,而且容易受光照、拍摄视角等因素的影响,从而导致可用样本较少。同时,车辆具有典型的“类间差异小、类内差异大”的问题,即制造商所生产的相同车型和颜色的不同车辆,其外观差异微小,同一车辆处于不同的交通环境,其外观差异巨大。此外,对不同监控区域拍摄的车辆进行特征学习时,存在视角变化剧烈的问题,这更加加剧了少样本车辆重识别的挑战。针对上述所面临的挑战,本文基于少样本学习的思想对车辆重识别任务进行了研究,主要研究内容如下:(1)考虑到现有车辆重识别数据集时空跨度有限、相同ID车辆样本数量较多和采集成本较高等问题,不利于少样本车辆重识别方法的研究。因此,本文构建了一个小规模数据集Veri-FS。该数据集具备背景信息复杂、光照条件多样和拍摄视角丰富等特征。Veri-FS数据集也充分体现了现实交通环境下车辆时空跨度大和同一ID车辆难以重复采集的特点。(2)针对现实交通场景下车辆样本稀缺和外观几乎相同的问题,本文提出一种具有多视图融合和全局特征增强的少样本重识别网络。其中,局部分支通过视图拼接方法解决车辆样本稀缺时视图分割不精确的问题。通过混合注意力模块为拼接视图中的关键局部区域赋予较大的权重。与此同时,全局分支通过特征增强模块获得全局特征的空间和通道关系,以此增强车辆全局特征的表达能力。该网络不但获得了更加丰富和完整的车辆特征,而且使得网络在少样本情形下依旧可以保持较好的泛化能力。(3)为了解决视角拼接带来的网络复杂性和训练成本过高的问题,本文在数据增强的基础上加入了参数优化,提出了一种具有全局特征优化和局部特征增强的双分支网络(Dual-Branch Network,DB-Net)。其中,DB-Net中的全局分支通过基于数据增强的特征优化模块以进一步优化全局特征,该模块使用深层卷积和空间通道调制来挖掘全局语义信息。局部分支通过基于参数优化的特征筛选模块选择部件最相关的特征,并通过注意力模块自适应地为显著性局部区域分配较大的权重。DB-Net不但可以获得具备较好语义性的全局特征,而且可以在少样本情况下自适应的凸显显著性局部区域。相较于基于深度学习的方法,降低了网络对样本的依赖。
融合多属性和局部特征的车辆重识别系统设计与实现
这是一篇关于车辆重识别,深度学习,局部特征,索引构建的论文, 主要内容为随着物联网飞速发展,海量的监控视频实时产生,传统人工检索和跟踪违法犯罪车辆耗费大量的人力和时间成本。因此,研究车辆重识别系统具有重要意义。车辆重识别本质上是一个图像检索问题,通过用户输入的车辆图像,从图库集中检索出其他摄像头拍摄的同一车辆图像。车辆重识别是计算视觉领域的重要研究方向,在交通安全、车辆跟踪等领域有着广泛的应用基础。但目前车辆重识别任务存在着不同摄像头下视角差异性大,局部特征提取不充分,检索耗时等问题。本文基于深度学习对重识别问题展开了研究,主要研究内容如下:(1)为了缓解车辆在不同视角下存在的差异性问题,本文利用带有丰富属性标注的合成数据集辅助车辆重识别任务。然而,合成数据与真实数据存在差异,导致模型的泛化能力受到限制。本文引入了领域自适应的对抗性训练,以充分利用合成数据集的标签,并提升真实数据集的属性识别能力。同时,研究了不同属性对于重识别的重要性,并采用注意力机制构建属性对最终识别效果之间的权重关系,以提升车辆重识别效果。(2)针对目前车辆重识别局部特征提取不充分的问题,结合车辆特有的方向信息提出一种方向性特征丢弃分支,该分支通过判断车辆的不同方向生成对应的Mask矩阵,迫使网络通过提取更广泛区域的局部特征进行重识别,最终有效提高车辆重识别效果。(3)设计并实现车辆重识别系统,根据用户输入的车辆图像,能够输出车辆相关的属性信息,并从图库中检索出目标车辆的其他图像。为了提高海量数据的检索效率,系统采用了向量索引技术,有效提升图像的检索效率。最后,对系统进行完整的功能测试和非功能测试,并展示了相关模块的操作界面。测试结果表明,本系统的功能能够满足需求,可以有效地帮助办案人员进行快速车辆检索,降低人工成本。
融合多属性和局部特征的车辆重识别系统设计与实现
这是一篇关于车辆重识别,深度学习,局部特征,索引构建的论文, 主要内容为随着物联网飞速发展,海量的监控视频实时产生,传统人工检索和跟踪违法犯罪车辆耗费大量的人力和时间成本。因此,研究车辆重识别系统具有重要意义。车辆重识别本质上是一个图像检索问题,通过用户输入的车辆图像,从图库集中检索出其他摄像头拍摄的同一车辆图像。车辆重识别是计算视觉领域的重要研究方向,在交通安全、车辆跟踪等领域有着广泛的应用基础。但目前车辆重识别任务存在着不同摄像头下视角差异性大,局部特征提取不充分,检索耗时等问题。本文基于深度学习对重识别问题展开了研究,主要研究内容如下:(1)为了缓解车辆在不同视角下存在的差异性问题,本文利用带有丰富属性标注的合成数据集辅助车辆重识别任务。然而,合成数据与真实数据存在差异,导致模型的泛化能力受到限制。本文引入了领域自适应的对抗性训练,以充分利用合成数据集的标签,并提升真实数据集的属性识别能力。同时,研究了不同属性对于重识别的重要性,并采用注意力机制构建属性对最终识别效果之间的权重关系,以提升车辆重识别效果。(2)针对目前车辆重识别局部特征提取不充分的问题,结合车辆特有的方向信息提出一种方向性特征丢弃分支,该分支通过判断车辆的不同方向生成对应的Mask矩阵,迫使网络通过提取更广泛区域的局部特征进行重识别,最终有效提高车辆重识别效果。(3)设计并实现车辆重识别系统,根据用户输入的车辆图像,能够输出车辆相关的属性信息,并从图库中检索出目标车辆的其他图像。为了提高海量数据的检索效率,系统采用了向量索引技术,有效提升图像的检索效率。最后,对系统进行完整的功能测试和非功能测试,并展示了相关模块的操作界面。测试结果表明,本系统的功能能够满足需求,可以有效地帮助办案人员进行快速车辆检索,降低人工成本。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://m.bishedaima.com/lunwen/54428.html
