分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2020-09-28 合作期刊: 《计算机应用研究》
摘要： 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。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-04-17 合作期刊: 《计算机应用研究》
摘要： 针对经典谱聚类算法无法自适应确定聚类数目、以及在处理大数据量的聚类问题时效率不高的问题，提出了一种基于密度峰值优化的谱聚类算法。该方法首先计算数据对象的局部密度，以及每个数据对象与较其他数据对象的最小距离，并依据一定的规则自适应产生初始聚类中心，确定聚类数目；其次，使用Nyström抽样来降低特征分解的计算复杂度以达到提高谱聚类算法的效率。实验结果表明，该方法能够准确地得到聚类数目，并且有效提高了聚类的准确率和效率。
点击量
点击量
下载量
评论
