Current Location:home > Browse

1. chinaXiv:202009.00061 [pdf]

基于非对称双分支交互神经网络的水下生物识别

赵力; 宋威
Subjects: Computer Science >> Integration Theory of Computer Science

针对水底环境存在着可见度低、光照条件差、物种间特征差异不明显等问题,基于卷积神经网络,提出了一种新的非对称双分支水下生物分类模型。模型中交互分支利用不同的卷积神经网络中间层提取局部特征并通过交互模块对局部特征进行交互,增强分类模型的局部特征学习能力;卷积神经网络分支可以有效地学习到目标的全局特征,弥补交互分支中忽略的全局信息。在Fish4-Knowledge(F4K)、EILAT、RAMAS三个数据集上取得了98.9%、98.3%、97.9%的准确率,较前人方法有显著提高;视觉解释也验证了该模型可以有效地捕捉到局部特征并消除背景影响。最终显示,该模型在水下环境具有良好的分类性能。

submitted time 2020-09-28 From cooperative journals:《计算机应用研究》 Hits5735Downloads740 Comment 0

2. chinaXiv:202009.00066 [pdf]

基于增强特征融合网络的行人再识别

邓滔; 杨娟; 汪荣贵; 薛丽霞
Subjects: Computer Science >> Integration Theory of Computer Science

行人再识别主要是判断不同摄像机捕捉到的行人图像是否属于同一个人。现实生活中,由于人的姿势变化,摄像头的视角变化和背景干扰等因素,导致相同的行人在不同的摄像头产生巨大的差别,这是一项艰巨的任务。近几年,基于深度学习的方法在解决行人再识别问题都取得了显著的效果。然而目前多数方法仅将行人的局部或全局特征分开考虑,从而忽略了行人整体之间的关系,即行人全局特征和局部特征之间的联系。因此,该算法提出了一种增强特征融合网络(Enhanced Feature Convergent Network,EFCN)。在全局分支中,提出适用于获取全局特征的注意力网络作为嵌入特征,嵌入在基础网络模型中以提取行人的全局特征;在局部分支中,提出循环门单元变换网络(Gated Recurrent Unit Change Network,GRU-CN)得到代表性的局部特征,再使用特征融合方法将全局特征和局部特征融合成最终的行人特征,最后借助损失函数训练网络。通过大量的对比实验,该算法网络模型在标准的Re-ID数据集上可以获得较好的实验结果。提出的增强特征融合网络能提取辨别性较强的行人特征,该模型能够应用于大场景非重叠多摄像机下的行人再识别问题,具有较高的识别能力和识别精度,且对背景变化的行人图像能提取具有较强的鲁棒性特征。

submitted time 2020-09-28 From cooperative journals:《计算机应用研究》 Hits4587Downloads521 Comment 0

  [1 Pages/ 2 Totals]