针对现有人脸活体检测算法在单一数据集内表现良好而在多个数据集间泛化能力较差的问题，提出一种聚焦于真实人脸的活体检测方法。在数据输入阶段，每轮训练会向网络输入所有源域的真实人脸的同时只随机输入其中一个源域的虚假人脸。在特征学习阶段，使用Resnet18网络作为主干网络，对不同残差块的输出特征进行基于注意力机制的加权融合。利用三元组损失和对抗损失对融合后的真实人脸特征进行领域内和领域间的聚合，利用三元组损失对融合后的虚假人脸特征只进行领域内的聚合。在分类阶段，利用交叉熵损失对所有源域的真实人脸和虚假人脸进行分类。所提方法在4个人脸活体检测数据集中进行了实验，实验结果表明所提方法相比其他方法具有更低的识别错误率和更高的鲁棒性。

针对当前跨模态行人重识别算法大多聚类能力不强、且难以提取高效辨别性特征的问题，提出了一种多粒度跨模态行人重识别算法。首先，在骨干网络Resnet50中加入非局部注意力机制模块，关注长距离像素之间的关系，保留细节信息；其次，采用多分支网络提取不同细粒度特征信息，增强模型的辨别性特征提取能力；最后，联合基于样本的三元组损失和基于中心的三元组损失监督训练，加速模型收敛。所提算法在SYSU-MM01数据集的全搜索模式下Rank-1和mean average precision分别达到62.83%和58.10%，在RegDB数据集的可见光到红外模式下Rank-1和mAP分别达到87.78%和76.22%。

针对行人重识别存在的遮挡和姿势变化问题和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，获得更多浅层、深层的有用信息。在网络训练时，采用三元组损失和标签平滑损失联合策略训练。使用三个常用的基准数据集Market1501、DukeMTMC-reID、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，所提方法的特征泛化能力较好，其中在Market1501数据集的Rank-1和平均准确率（mAP）分别达到95.3%和86.8%；在DukeMTMC-reID数据集的Rank-1和mAP分别达到88.5%和75.9%；在CUHK03数据集的Rank-1和mAP分别达到80.9%和77.8%。

针对SiamRPN(Siamese Region Proposal Network)在目标被短时遮挡以及外观剧烈变化的情况下存在定位不准确的问题,提出一种结合目标跟踪缓冲区与三元组损失的目标跟踪算法。该算法首先将原有的固定模板改为动态模板,提升复杂环境下相似度判别的可靠性;然后在模板缓冲区稀疏地缓存目标外观以应对跟踪过程中非语义样本的干扰,增强目标跟踪的鲁棒性;最后应用三元组损失以充分利用目标的正负样本特征,使跟踪更加具有判别能力。使用OTB100数据集进行实验,结果表明所提算法的成功率曲线下面积较SiamRPN提高了0.021,平均中心位置误差降低了25.56 pixel,平均重叠率提高了25.2%。

大规模人脸数据集上的快速检索是人脸识别应用的关键问题。较短长度人脸哈希方法可降低人脸特征比对的计算量, 有助于大规模人脸识别的应用。为此提出了一种基于三元组损失函数的深度人脸哈希方法, 通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征, 使得由该特征表征的同类图像在欧式空间中的距离尽可能小, 不同类图像在欧式空间中的距离尽可能大; 通过在深度网络后添加随机映射层, 进一步将高维特征映射到低维空间, 并通过阈值化将低维空间映射到汉明空间。在多个标准的数据集上的实验结果表明本文方法相比于现有其他方法的优越性。

针对传统神经网络无法对相似度较高的中式菜品进行有效分类的问题,提出了一种基于改进残差网络的中式菜品识别 RNA-TL (ResNet with Attention and Triplet Loss) 模型。该算法先融合多尺度特征以提取深层次图像的语义信息,然后增加一层注意力机制层,给予图像重要部分更多的关注,最后利用三元组损失(Triplet Loss, TL)计算类间相似度并将结果输入到支持向量机(Support Vector Machine, SVM)中进行分类。实验表明,相较于其他主流算法模型,RNA-TL模型在中式菜品公共数据集上以及课题组采集的数据集上的识别准确率表现出更优越的性能。

针对行人重识别中行人检测误差引起的空间错位,基于局部的深度网络模型仅学习相邻局部关系,导致远距离局部相关性缺失,因此,提出了一种结合一阶和二阶空间信息的行人重识别算法。在主干网络上,学习一阶空间掩模对输入图像的空间权值进行微调,以减少背景干扰;通过二阶空间掩模对远距离的依赖关系进行建模,并将局部特征集成到依赖模型中,以获取全局特征表示。局部分支引入DropBlock对抽取的行人特征进行正则化,避免了网络模型过于依赖特定部位特征。训练阶段用标签平滑分类损失和引入正样本中心的三元组损失联合优化整个网络。在Market-1501和DukeMTMC-reID数据集上的实验结果表明,相比其他主流算法,本算法的行人重识别精度更高,且提取的行人特征判别性和鲁棒性更好。

基于全局特征的行人重识别算法主要使用交叉熵损失函数和三元组损失函数来监督网络的学习。然而,原始三元组损失函数在增大类间距离的同时并未很好地优化类内距离,为了解决这个问题,提出一种基于全局特征的行人重识别改进算法。该算法是在三元组损失函数的基础上进行改进,即在原始三元组损失函数中引入一项类内距离,使改进后的三元组损失函数能够在增大类间距离的同时减小类内距离。在Market1501、DukeMTMC-reID和CUHK03数据集上进行大量实验,实验结果表明所提算法得到的特征具有更强的判别性,在基于全局特征的模型中可以取得最优的性能,接近甚至超过一些基于局部特征的模型。

针对角度Softmax损失强约束存在的问题, 提出一种用角度空间三元组损失对角度Softmax损失预训练模型进行微调的算法。算法首先对原来的卷积神经网络结构进行改进, 将1×1卷积核与池化层加在不同残差块间, 以进行选择更有效的特征。然后用角度空间下的三元组损失对预训练模型进行微调, 以降低困难样本的强约束条件。最后在测试时, 分别提取原始人脸图像特征和水平翻转的人脸图像特征, 对两个特征相加作为最终的人脸特征表达, 以丰富人脸特征信息, 提高识别率。实验结果表明, 在LFW和YTF人脸数据集分别取得了99.25%和94.52%的识别率, 在大规模人脸身份识别中, 本文提出的方法在仅用单模型和比较小的训练集就能有效地提高人脸识别率。