期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
LwFEN:一种无监督行人再识别的轻量特征提取网络
1
作者
高顺强
王智文
白云
《计算机工程与科学》
北大核心
2025年第9期1619-1627,共9页
针对无监督行人再识别模型计算成本高、模型参数量大的问题,提出一种无监督行人再识别的轻量化特征提取网络。首先,重新设计Ghost Bottleneck,实现模型参数量的压缩,并将ECA注意力模块嵌入到轻量级骨干网络中以提高性能,加强网络的特征...
针对无监督行人再识别模型计算成本高、模型参数量大的问题,提出一种无监督行人再识别的轻量化特征提取网络。首先,重新设计Ghost Bottleneck,实现模型参数量的压缩,并将ECA注意力模块嵌入到轻量级骨干网络中以提高性能,加强网络的特征提取能力,解决因轻量化而导致的特征丢失问题。其次,引入了集群级动态内存字典和动量更新策略,解决无监督聚类特征的嵌入,有助于缓解特征不一致问题。最后,在数据集LUPerson上进行预训练。在常用的Market-1501,MSMT17和PersonX等公共数据集上开展了大量实验验证。与PPLR,Cluster Contrast和RTMem等方法训练的模型的比较结果表明,LwFEN使模型的参数量下降了24.3%,计算量(以FLOPs衡量)下降了28.12%,并将模型的mAP提升至83.4%。
展开更多
关键词
轻量级网络
无监督行人再识别
动态内存字典
动量更新
在线阅读
下载PDF
职称材料
基于渐进式混合对比学习的无监督领域自适应行人再识别
2
作者
赵宇
舒巧媛
《电子学报》
北大核心
2025年第6期1829-1846,共18页
无监督领域自适应(Unsupervised Domain Adaptation,UDA)行人再识别(person Re-IDentification,Re-ID)旨在利用有标注的源域数据来解决无标注目标域数据的无监督Re-ID任务.近期,对比学习在该领域引起关注,但现有方法存在正样本对差异较...
无监督领域自适应(Unsupervised Domain Adaptation,UDA)行人再识别(person Re-IDentification,Re-ID)旨在利用有标注的源域数据来解决无标注目标域数据的无监督Re-ID任务.近期,对比学习在该领域引起关注,但现有方法存在正样本对差异较小以及忽略负代理采样偏差的问题.为解决这些问题,本文提出一种渐进式混合对比学习(Progressive Hybrid Contrastive Learning,PHCL)方法.在每个训练轮次,PHCL方法通过聚类和渐进细化两个步骤,将无标签数据集划分为带伪标签的聚类样本和未聚类的独立实例.基于聚类划分结果,PHCL方法在两个层次实施对比学习:通过将同一聚类(目标域)或同一身份标签(源域)中的相似样本拉近,指导模型学习类内相似性,同时通过在未聚类的实例间施加排斥作用,挖掘实例间差异性.此外,PHCL方法通过最近邻挖掘为未聚类的实例生成正代理,增大正样本对的差异性,学习更丰富的语义信息.同时,PHCL方法在负代理采样过程中去偏差,减轻假负代理对训练的不利影响.实验结果表明:PHCL方法在Market-1501和MSMT17数据集上的平均精度均值(mean Average Precision,mAP)分别为85.9%与42.3%,比基线模型分别提高4.3个百分点和13.5个百分点.上述实验结果验证了PHCL方法在UDA Re-ID任务中的有效性.
展开更多
关键词
无监督
领域自适应(UDA)
行人
再
识别
(Re-ID)
对比学习
伪标签
最近邻挖掘
去偏差
在线阅读
下载PDF
职称材料
题名
LwFEN:一种无监督行人再识别的轻量特征提取网络
1
作者
高顺强
王智文
白云
机构
广西科技大学自动化学院
柳州工学院信息科学与工程学院
出处
《计算机工程与科学》
北大核心
2025年第9期1619-1627,共9页
基金
国家自然科学基金(61962007,62266009)
广西自然科学基金(2018GXNSFDA294001)
+3 种基金
广西财经大数据重点实验室开放基金(FEDOP2022A06)
广西高校中青年教师科研基础能力提升项目(2022KY1697)
广西高校中青年教师科研基础能力提升项目教育信息化专项(2022XXH0019)
2023年广西科技大学研究生教育创新计划(GKYC202323)。
文摘
针对无监督行人再识别模型计算成本高、模型参数量大的问题,提出一种无监督行人再识别的轻量化特征提取网络。首先,重新设计Ghost Bottleneck,实现模型参数量的压缩,并将ECA注意力模块嵌入到轻量级骨干网络中以提高性能,加强网络的特征提取能力,解决因轻量化而导致的特征丢失问题。其次,引入了集群级动态内存字典和动量更新策略,解决无监督聚类特征的嵌入,有助于缓解特征不一致问题。最后,在数据集LUPerson上进行预训练。在常用的Market-1501,MSMT17和PersonX等公共数据集上开展了大量实验验证。与PPLR,Cluster Contrast和RTMem等方法训练的模型的比较结果表明,LwFEN使模型的参数量下降了24.3%,计算量(以FLOPs衡量)下降了28.12%,并将模型的mAP提升至83.4%。
关键词
轻量级网络
无监督行人再识别
动态内存字典
动量更新
Keywords
lightweight network
unsupervised pedestrian re-identification
dynamic memory dictionary
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
基于渐进式混合对比学习的无监督领域自适应行人再识别
2
作者
赵宇
舒巧媛
机构
重庆第二师范学院人工智能学院
重庆第二师范学院数学与大数据学院
出处
《电子学报》
北大核心
2025年第6期1829-1846,共18页
基金
重庆市自然科学基金面上项目(No.CSTB2022NSCQ-MSX0404)
重庆市教育委员会科学技术研究项目(No.KJQN202401624)。
文摘
无监督领域自适应(Unsupervised Domain Adaptation,UDA)行人再识别(person Re-IDentification,Re-ID)旨在利用有标注的源域数据来解决无标注目标域数据的无监督Re-ID任务.近期,对比学习在该领域引起关注,但现有方法存在正样本对差异较小以及忽略负代理采样偏差的问题.为解决这些问题,本文提出一种渐进式混合对比学习(Progressive Hybrid Contrastive Learning,PHCL)方法.在每个训练轮次,PHCL方法通过聚类和渐进细化两个步骤,将无标签数据集划分为带伪标签的聚类样本和未聚类的独立实例.基于聚类划分结果,PHCL方法在两个层次实施对比学习:通过将同一聚类(目标域)或同一身份标签(源域)中的相似样本拉近,指导模型学习类内相似性,同时通过在未聚类的实例间施加排斥作用,挖掘实例间差异性.此外,PHCL方法通过最近邻挖掘为未聚类的实例生成正代理,增大正样本对的差异性,学习更丰富的语义信息.同时,PHCL方法在负代理采样过程中去偏差,减轻假负代理对训练的不利影响.实验结果表明:PHCL方法在Market-1501和MSMT17数据集上的平均精度均值(mean Average Precision,mAP)分别为85.9%与42.3%,比基线模型分别提高4.3个百分点和13.5个百分点.上述实验结果验证了PHCL方法在UDA Re-ID任务中的有效性.
关键词
无监督
领域自适应(UDA)
行人
再
识别
(Re-ID)
对比学习
伪标签
最近邻挖掘
去偏差
Keywords
unsupervised domain adaptive(UDA)person re-identification(Re-ID)
contrastive learning
pseudo la⁃bels
nearest neighbor mining
debiasing
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
作者
出处
发文年
被引量
操作
1
LwFEN:一种无监督行人再识别的轻量特征提取网络
高顺强
王智文
白云
《计算机工程与科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于渐进式混合对比学习的无监督领域自适应行人再识别
赵宇
舒巧媛
《电子学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
