鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对...鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。展开更多
遮挡行人重识别是一项具有挑战性的计算机视觉任务。提出了一种FGMS-Net网络方法,通过多个方面的改进显著提升了遮挡环境下的行人重识别能力。首先,采用改进的前景分割技术,有效地去除背景和其他杂波信息,使得特征提取更加精确。其次,...遮挡行人重识别是一项具有挑战性的计算机视觉任务。提出了一种FGMS-Net网络方法,通过多个方面的改进显著提升了遮挡环境下的行人重识别能力。首先,采用改进的前景分割技术,有效地去除背景和其他杂波信息,使得特征提取更加精确。其次,针对遮挡问题,引入多尺度特征判别的方法,使得模型能够更好地捕捉局部特征,从而增强识别能力。最后,在主干网络中添加注意力机制,使得网络能够更加关注关键信息,提高整体识别性能。实验结果表明,所提方法在遮挡行人重识别任务中取得了显著的性能提升,在Occluded-DukeMTMC数据集上,累积匹配特征Rank-1和平均精度均值(mean average precision,mAP)分别达到了71.7%和61.6%。展开更多
文摘鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。
文摘遮挡行人重识别是一项具有挑战性的计算机视觉任务。提出了一种FGMS-Net网络方法,通过多个方面的改进显著提升了遮挡环境下的行人重识别能力。首先,采用改进的前景分割技术,有效地去除背景和其他杂波信息,使得特征提取更加精确。其次,针对遮挡问题,引入多尺度特征判别的方法,使得模型能够更好地捕捉局部特征,从而增强识别能力。最后,在主干网络中添加注意力机制,使得网络能够更加关注关键信息,提高整体识别性能。实验结果表明,所提方法在遮挡行人重识别任务中取得了显著的性能提升,在Occluded-DukeMTMC数据集上,累积匹配特征Rank-1和平均精度均值(mean average precision,mAP)分别达到了71.7%和61.6%。
