行人屬性識別可以將監(jiān)控視頻中的行人信息變成可以用于搜索的高級語義信息,其可以輔助完成行人檢索、行人重識別等任務(wù),所以,吸引了越來越多研究者的關(guān)注。早期的行人屬性識別算法均是使用手工設(shè)計規(guī)則的方法提取圖片特征進(jìn)行行人屬性識別,但實際場景復(fù)雜度較高,該類算法難以獲得較好識別效果。因此,提出兩種基于深度學(xué)習(xí)的改進(jìn)算法:（1）為了減少背景對于屬性識別的干擾,提出基于抑制背景干擾的行人屬性識別算法。該算法通過強制網(wǎng)絡(luò)提取到的特征集中于圖像中的人體區(qū)域來提高屬性識別效果。首先,增加兩個分支,主干網(wǎng)絡(luò)提取行人圖像特征,增加的分支用于在特征圖上分離行人人體區(qū)域與背景區(qū)域,得到不同區(qū)域的特征向量。然后,通過加權(quán)交叉熵?fù)p失函數(shù)計算網(wǎng)絡(luò)預(yù)測的損失,通過區(qū)域?qū)Ρ葥p失函數(shù)計算由于背景干擾而產(chǎn)生錯誤的特征提取所造成的損失。最后,將兩部分損失累加作為網(wǎng)絡(luò)的總損失,對網(wǎng)絡(luò)進(jìn)行參數(shù)的更新。（2）為了通過定位各個屬性的位置來提高識別效果,提出基于屬性定位的行人屬性識別算法。首先,算法設(shè)計了一個屬性定位模塊,有針對性地對每個屬性進(jìn)行區(qū)域級加權(quán)來提高網(wǎng)絡(luò)的屬性定位能力。然后,將屬性定位模塊應(yīng)用到網(wǎng)絡(luò)的多個層級,形成一個多分支... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

訓(xùn)練過程中區(qū)域?qū)Ρ葥p失函數(shù)變化趨勢

中國民航大學(xué)碩士學(xué)位論文37否佩戴帽子提取類激活圖的結(jié)果，可以看出定位存在一定的誤差。如果直接利用存在誤差的類激活圖對中間層特征進(jìn)行加權(quán)，然后將加權(quán)特征圖用于屬性分類，那么這種誤差會導(dǎo)致訓(xùn)練的過程中屬性的定位越來越遠(yuǎn)離正確的位置。為了防止這種現(xiàn)象的出現(xiàn)，本章算法將基礎(chǔ)網(wǎng)絡(luò)擴展為三個分支，主干分支不添加屬性定位模塊，只用作特征提取和屬性分類，另外兩個分支添加屬性定位模塊，如圖4-1所示，將Block4延伸出的分支命名為分支一，將Block3分支延伸出的分支命名為分支二。最后增加一個特征融合操作，將主干網(wǎng)絡(luò)的分類結(jié)果與分支網(wǎng)絡(luò)的模塊輸出的特征向量進(jìn)行線性加權(quán)融合，計算方法如式（4.4）所示。這樣既保證了網(wǎng)絡(luò)原本的屬性分類正確性，又融合了包含位置信息的特征，使網(wǎng)絡(luò)在保持原有性能的同時，進(jìn)一步提高網(wǎng)絡(luò)的分類能力。123yyyy（4.4）其中，1y為主干網(wǎng)絡(luò)的輸出，2y為分支一的輸出，3y為分支二的輸出，為分支一的加權(quán)系數(shù)，為分支二的加權(quán)系數(shù)。圖4-4帽子屬性的類激活圖4.2.3屬性定位模塊本章算法設(shè)計了一個屬性定位模塊，該模塊可以獲取屬性在圖像中的位置信息，輔助屬性識別任務(wù)，提高識別效果。模塊的結(jié)構(gòu)如圖4-5所示，模塊的輸入為網(wǎng)絡(luò)的中間層特征圖和對應(yīng)層級的類激活圖。中間層特征圖的維度為NCHW，其中N為網(wǎng)絡(luò)一次輸入的圖片數(shù)量，C為特征圖的通道數(shù)，H為特征圖的高度，W為特征圖的寬度。類激活圖的維度為attNnumHW，其中N為BatchSize，attnum為數(shù)據(jù)集的標(biāo)簽數(shù)目，類激活圖的高度和寬度均與模塊輸入的特征圖維度一致。屬性定位模塊的實現(xiàn)細(xì)節(jié)包含以下三個步驟：

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)技術(shù)在細(xì)胞形態(tài)學(xué)圖像處理中的研究進(jìn)展[J]. 趙天賜,王庚,連荷清,方喆君,王欣,陳倩,吳衛(wèi).  臨床檢驗雜志. 2019(11)
[2]深度學(xué)習(xí)算法研究進(jìn)展[J]. 田啟川,王滿麗.  計算機工程與應(yīng)用. 2019(22)
[3]基于深度學(xué)習(xí)的圖像語義分割技術(shù)研究綜述[J]. 鄺輝宇,吳俊君.  計算機工程與應(yīng)用. 2019(19)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型綜述[J]. 許必宵,宮婧,孫知信.  計算機技術(shù)與發(fā)展. 2019(12)
[5]深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J]. 鄭遠(yuǎn)攀,李廣陽,李曄.  計算機工程與應(yīng)用. 2019(12)
[6]基于改進(jìn)損失函數(shù)的多階段行人屬性識別方法[J]. 鄭少飛,湯進(jìn),羅斌,王逍,王文中.  模式識別與人工智能. 2018(12)
[7]基于深度學(xué)習(xí)的行人屬性多標(biāo)簽識別[J]. 李亞鵬,萬遂人.  中國生物醫(yī)學(xué)工程學(xué)報. 2018(04)
[8]基于深度學(xué)習(xí)的行人屬性識別[J]. 陳萍,楊鴻波.  信息通信. 2018(04)
[9]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)



本文編號：3056538