检索结果-维普期刊中文期刊服务平台

参数字典稀疏表示的完全无监督域适应: 1; 作者余欢欢陈松灿《计算机科学与探索》 CSCD 北大核心 2019年第5期822-833,共12页; 无监督域适应(unsupervised domain adaptation,UDA)针对的是源域有标记而目标域无标记的学习问题,其目的是利用从标记大样本源域中所学"知识"来促进无标记小样本目标域的学习性能。但现实中也往往存在样本无标记的源域,形成... 展开更多; 关键词完全无监督域适应(WUDA) 参数公共字典稀疏表示无标记小样本问题软大间隔聚类(SLMC); 在线阅读下载PDF 职称材料

无监督行人重识别研究综述: 2; 作者田青王斌周子枭《计算机工程》北大核心 2025年第7期12-30,共19页; 从多个不同的摄像机中检索出一个特定的行人是行人重识别(ReID)的主要任务。随着深度神经网络的发展和智能视频监控需求的增加,行人ReID逐渐受到研究人员的关注。现有的行人ReID方法大多利用带有标签的数据集进行有监督训练,但该方式的... 展开更多; 关键词行人重识别深度神经网络智能视频监控无监督域适应方法完全无监督方法; 在线阅读下载PDF 职称材料

联合可靠实例挖掘和特征优化的无监督行人重识别: 3; 作者许国良侯振东 +2 位作者雒江涛刘杨刘立竹《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2024年第3期368-378,共11页; 针对无监督行人重识别方法的伪标签中包含大量噪声的问题,提出一种联合可靠实例挖掘和特征优化的行人重识别方法.首先设计一种衡量伪标签可靠度的指标,利用不同参数下DBSCAN聚类结果的稳定性衡量伪标签的质量;然后提出可靠实例挖掘策略... 展开更多; 关键词行人重识别完全无监督可靠实例挖掘存储字典二重动量更新; 在线阅读下载PDF 职称材料

视频异常行为检测综述被引量：1: 4; 作者吴沛宸袁立宁 +1 位作者郭放刘钊《计算机科学与探索》 CSCD 北大核心 2024年第12期3100-3125,共26页; 视频异常行为检测作为计算机视觉的研究热点,通过提取视频内容时间和空间特征,判断视频中是否存在异常事件和事件种类,定位异常发生的区域和时间。以有监督/无监督学习为线索,对现有视频异常行为检测方法进行系统梳理和归纳。在有监督... 展开更多; 关键词异常行为检测深度学习完全无监督多模态特征; 在线阅读下载PDF 职称材料

题名参数字典稀疏表示的完全无监督域适应: 1; 作者余欢欢陈松灿; 机构南京航空航天大学计算机科学与技术学院; 出处《计算机科学与探索》 CSCD 北大核心 2019年第5期822-833,共12页; 基金国家自然科学基金Nos.61672281 61472186~~; 文摘无监督域适应(unsupervised domain adaptation,UDA)针对的是源域有标记而目标域无标记的学习问题,其目的是利用从标记大样本源域中所学"知识"来促进无标记小样本目标域的学习性能。但现实中也往往存在样本无标记的源域,形成了所谓的完全无监督域适应。该问题给域适应学习带来了严峻的挑战。受先前提出的软大间隔聚类学习(soft large margin clustering,SLMC)启发,提出了一种参数迁移方法——参数字典稀疏表示的完全无监督的域适应方法(whole UDA,WUDA)。SLMC采用分类学习思想在输出(标记)空间中实现给定数据的聚类,在这种实现原理的启发下,从参数(决策函数的权重矩阵)公共字典的角度,在源域和目标域的权重间进行互适应参数字典学习实现知识迁移,同时引入l_(2,1)范数来约束字典系数矩阵,使得各域权重可从公共字典中自适应地选择,从而实现域适应学习。最后,在相关数据集上的实验显示了WUDA在聚类性能上的显著有效性。; 关键词完全无监督域适应(WUDA) 参数公共字典稀疏表示无标记小样本问题软大间隔聚类(SLMC); Keywords whole unsupervised domain adaptation (WUDA) common dictionary of parameter sparse representation problem of unlabeled small sample soft large margin clustering (SLMC); 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名无监督行人重识别研究综述: 2; 作者田青王斌周子枭; 机构南京信息工程大学软件学院南京信息工程大学无锡研究院南京大学计算机软件新技术国家重点实验室; 出处《计算机工程》北大核心 2025年第7期12-30,共19页; 基金国家自然科学基金(62176128) 江苏省自然科学基金(BK20231143) +2 种基金江苏省“青蓝工程”人才项目。; 文摘从多个不同的摄像机中检索出一个特定的行人是行人重识别(ReID)的主要任务。随着深度神经网络的发展和智能视频监控需求的增加,行人ReID逐渐受到研究人员的关注。现有的行人ReID方法大多利用带有标签的数据集进行有监督训练,但该方式的数据标注成本高昂,使得有监督行人ReID难以扩展到大型的未标记数据集场景。无监督行人ReID可以有效地改善行人ReID模型的扩展问题,更符合现实场景的应用,并逐渐成为研究热点。尽管已有行人ReID的相关综述,但它们主要聚焦于有监督学习领域的方法和应用。为此,对现有无监督行人ReID研究工作进行系统归纳、分析和总结,以便为该领域研究人员提供参考。首先,全面回顾无监督场景的行人ReID方法,根据模型训练是否使用源域监督信息,将无监督行人ReID研究划分为无监督域适应方法和完全无监督方法,并对这2类方法进行分析和总结。然后,介绍和归纳总结行人ReID研究相关的经典数据集,并展示和讨论不同行人ReID方法在这些数据集上的性能和优劣。最后,指出当前无监督行人ReID研究所面临的问题,并提出未来发展方向。; 关键词行人重识别深度神经网络智能视频监控无监督域适应方法完全无监督方法; Keywords person Re-Identification(ReID) deep neural network intelligent video surveillance unsupervised domain adaptation method fully unsupervised method; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名联合可靠实例挖掘和特征优化的无监督行人重识别: 3; 作者许国良侯振东雒江涛刘杨刘立竹; 机构重庆邮电大学通信与信息工程学院; 出处《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2024年第3期368-378,共11页; 基金重庆市体育局科研项目(A202113)。; 文摘针对无监督行人重识别方法的伪标签中包含大量噪声的问题,提出一种联合可靠实例挖掘和特征优化的行人重识别方法.首先设计一种衡量伪标签可靠度的指标,利用不同参数下DBSCAN聚类结果的稳定性衡量伪标签的质量;然后提出可靠实例挖掘策略进行伪标签去噪,伪标签可靠度大于预设阈值的实例保留其原伪标签,反之则修正其伪标签;再提出融合全局和局部特征的二重动量更新策略,每个batch对涉及的样本进行即时特征更新,每个epoch对存储字典中所有样本特征进行更新;最后利用统一对比损失对骨干神经网络进行训练优化.在2个大型公共数据集Market-1501和DukeMTMC-reID上的实验结果表明,mAP分别达到77.9%和67.4%,Rank-1分别达到90.2%和88.2%.; 关键词行人重识别完全无监督可靠实例挖掘存储字典二重动量更新; Keywords person re-identification fully unsupervised reliable instance mining memory bank dual momentum update; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名视频异常行为检测综述被引量：1: 4; 作者吴沛宸袁立宁郭放刘钊; 机构中国人民公安大学信息网络安全学院广西警察学院公安大数据现代产业学院中国人民公安大学国家安全学院中国人民公安大学网络空间安全与法治协同创新中心; 出处《计算机科学与探索》 CSCD 北大核心 2024年第12期3100-3125,共26页; 基金中国人民公安大学安全防范工程双一流创新研究专项(2023SYL08)。; 文摘视频异常行为检测作为计算机视觉的研究热点,通过提取视频内容时间和空间特征,判断视频中是否存在异常事件和事件种类,定位异常发生的区域和时间。以有监督/无监督学习为线索,对现有视频异常行为检测方法进行系统梳理和归纳。在有监督类方法中,细分为基于偏差均值计算方法和基于多模态方法;在无监督类方法中,主要总结了基于完全无监督的多种方法。从当前主流建模思路出发对偏差均值计算方法系统性说明,按照不同模态特征的使用及其处理方式对多模态方法进行阐述和总结,根据两种模型训练方式介绍完全无监督方法。对比了不同模型的网络架构,并归纳总结出各类异常行为检测模型的测试数据集、使用场景、优势和局限性。通过基准数据集以帧级标准和像素级标准等常用评价标准进行了模型比较和性能评估,同时通过不同方法的性能表现进行类内对比,并对结果进行分析总结。通过虚拟合成数据集、多模态大模型和轻量级模型等五个方向探究了视频异常行为检测的发展趋势。; 关键词异常行为检测深度学习完全无监督多模态特征; Keywords abnormal behavior detection deep learning completely unsupervised multimodal features; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	参数字典稀疏表示的完全无监督域适应	余欢欢陈松灿	《计算机科学与探索》 CSCD 北大核心	2019	0	在线阅读下载PDF 职称材料
2	无监督行人重识别研究综述	田青王斌周子枭	《计算机工程》北大核心	2025	0	在线阅读下载PDF 职称材料
3	联合可靠实例挖掘和特征优化的无监督行人重识别	许国良侯振东雒江涛刘杨刘立竹	《计算机辅助设计与图形学学报》 EI CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	视频异常行为检测综述	吴沛宸袁立宁郭放刘钊	《计算机科学与探索》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料