基于分类-验证模型的视觉跟踪算法研究

针对相似度目标跟踪算法主要考虑目标的类内相似,而忽略不同目标的类间差异的问题,提出基于分类-验证模型的视觉跟踪算法。该算法通过增加目标的属性(类别)信息,利用相似度信息与类别信息构建损失函数,在高维空间学习目标的类内相似和类间差异;将目标模板与候选目标输入网络模型,分别通过分类与验证模块实现网络参数更新;利用训练网络提取目标模板与候选目标的深度嵌入特征,实现目标跟踪。在OTB50和UAV123数据库上进行实验,结果表明,该算法可以大幅提高跟踪效果,对相似目标具有较强的稳健性。     

基于卷积神经网络判别特征学习的行人重识别

行人重识别的精确度主要取决于行人的特征描述,基于卷积神经网络的方法具有强大的特征表达能力,可以取得很好的行人重识别效果,但该方法对样本的监督信息利用不充分,且容易过拟合。针对这些问题,提出了一种卷积神经网络判别特征学习的模型,通过加强对样本监督信息的利用和提升对样本间距离关系的约束,使网络得到判别性强的特征。首先,利用批量内样本之间的距离关系来构造难分负样本对,并通过构造的难分负样本对和引入距离门限来改进对比损失函数,充分利用了样本的相似性信息并有效地防止了网络过拟合。其次,通过结合分类模型和验证模型,使批量内样本的所有监督信息都得到了充分利用。在Market1501、DukeMTMC-reID数据库上对所提算法的有效性进行了实验验证,结果表明,所提模型得到的特征具有更强的判别性,而且所提算法的平均识别精确率优于大多数先进算法。