目前,无监督单模态行人重识别研究主要集中于可见光图像。随着新型红外摄像头的普及,无监督红外行人重识别也展现出其研究价值。由于红外图像对比度低、缺乏颜色纹理细节信息,因此全局信息对于红外行人重识别至关重要。本文设计了基于F-...目前,无监督单模态行人重识别研究主要集中于可见光图像。随着新型红外摄像头的普及,无监督红外行人重识别也展现出其研究价值。由于红外图像对比度低、缺乏颜色纹理细节信息,因此全局信息对于红外行人重识别至关重要。本文设计了基于F-ResGAM的无监督红外行人重识别网络。该网络首先利用小波变换对图像进行预处理以增强特征提取能力,接着在resnet50网络结构中引入全局注意力机制(Global Attention Mechanism,GAM)关注更多的全局信息。此外,由于红外伪标签噪声较大,本文提出采用基于样本扩展的分组采样(Group Sampling based on Sample Expansion,GSSE)策略进一步优化伪标签生成,从而提升了模型的识别精度。实验结果表明,本文提出的优化方法有效提升了无监督红外行人重识别的精度,尤其是rank指标显著提升。展开更多
基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3...基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。展开更多
文摘目前,无监督单模态行人重识别研究主要集中于可见光图像。随着新型红外摄像头的普及,无监督红外行人重识别也展现出其研究价值。由于红外图像对比度低、缺乏颜色纹理细节信息,因此全局信息对于红外行人重识别至关重要。本文设计了基于F-ResGAM的无监督红外行人重识别网络。该网络首先利用小波变换对图像进行预处理以增强特征提取能力,接着在resnet50网络结构中引入全局注意力机制(Global Attention Mechanism,GAM)关注更多的全局信息。此外,由于红外伪标签噪声较大,本文提出采用基于样本扩展的分组采样(Group Sampling based on Sample Expansion,GSSE)策略进一步优化伪标签生成,从而提升了模型的识别精度。实验结果表明,本文提出的优化方法有效提升了无监督红外行人重识别的精度,尤其是rank指标显著提升。
文摘基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。
