昆明理工大学机电工程学院, 云南 昆明 650500
基于卷积神经网络算法对行人进行多特征提取,并使用拼接后的多特征对行人进行特征表征。使用全局池化和多个卷积构建多分支结构,利用多分支结构来弥补丢失的信息。为了减小过拟合,采用自行设计的瓶颈层代替模型中的分类层。实验时,分别在Market1501、CUHK03、DukeMTMC-Reid数据集上对本文所提算法进行验证。在Market1501数据集上,本文所提算法预测正确的概率(Rank1)为95.2%,平均预测均值(mAP)为86.0%。实验结果表明,本文所提算法提取的行人特征具有较强的辨别力,识别准确率明显高于其他先进的算法。
光计算 卷积神经网络 行人重识别 多特征 特征拼接 激光与光电子学进展
2019, 56(16): 162001
安徽工程大学电气工程学院, 安徽 芜湖 241000
提出了一种基于改进卷积神经网络的交通标志检测方法。预训练模型产生否定;使用难分类负样本采集将负样本输入到网络中,提高模型的判别能力;使用多尺度训练过程中的特征级联策略来进一步提升模型的性能。利用TensorFlow框架在德国交通标志检测数据集上对所提方法的有效性进行了仿真。研究结果表明,与现有技术相比,所提方法能够获得更快的检测速率,处理每幅图像仅需0.016 s。
图像处理 卷积神经网络 交通标志检测 特征拼接 难分类负样本采集 多尺度训练 激光与光电子学进展
2019, 56(7): 071003