针对现有热红外目标跟踪算法难以处理相似物干扰和目标遮挡的问题, 引入 MMNet(Multi-task Matching Network)算法中的多任务框架获取热红外目标特定的判别性特征和细粒度特征, 并将这两种特征相互融合, 用于在类间和类内识别热红外对象。此外, 利用峰值旁瓣比动态设置模型更新参数以更高效地获取目标变化信息并对跟踪结果进行评估。对于不可靠跟踪结果利用卡尔曼滤波对目标位置进行预测。在 LSOTB-TIR(Large-Scale Thermal Infrared Object Tracking Benchmark)红外数据集上的实验结果表明, 提出的改进算法性能较好, 相比 MMNet跟踪精确度和成功率分别提高了5.7%和4.2%, 且能有效应对遮挡、变形等挑战, 可以应用于红外目标跟踪领域。Based on Fusion of Discriminant and Fine-Grained Features

目前，有监督行人重识别方法着重关注单一模态（可见光）的行人检索问题。然而，在24 h的监控系统中，除可见光图像外，还存在大量的红外图像（这类图像缺少颜色和纹理信息）。因此，跨模态的行人检索方法可有效提升行人重识别技术的实用性。针对当前跨模态行人重识别方法存在忽视不同模态下独有判别性特征而导致的模型性能受限问题，提出了一种跨模态身份互预测学习和细粒度特征学习的跨模态行人重识别方法。该方法通过对模态专有身份分类器的设计，提升了模态内专有特征的判别性和鲁棒性，并通过构建交叉学习机制，促使网络将不同模态下的专有特征转化为模态不变特征，有效利用了模态特有判别性信息。此外，细粒度特征学习进一步从局部和全局两方面增强了网络特征表示的判别性。所提方法在公开数据集SYSU-MM01和RegDB上与同类方法相比，其结果优势明显，证明了所提方法的优越性。

提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。