联合损失优化三元组模型的行人重识别

行人重识别(Person re-identification,PReI D)通常会受到背景杂物或外界遮挡等影响,因此,很难快速而又准确度区分不相 交相机视图之间的不同行人。本文提出一种可扩展的深度特征学习体系结构的混合方案,将 行人重识别视为学习距离度量问题,应 用对称正则化来帮助相对距离训练深度神经网络。首先,结合最新发展的卷积神经网络(Con volutional Neural Networks,CNN),采 用其主要框架三元组模型(Triple model)提取鲁棒表示,旨在解决单一图像提取描述符的 不足。其次,将三元组损失和中心损失相联 合,结合梯度下降算法更新并优化网络权重及参数,克服样本不平衡性。此外,引入对称正 则项修正优化由相对距离度量推导出来 的非对称梯度反向传播,实现在三元组单元中最小化类内距离同时最大化类间距离,从而克 服行人重识别中的“角度偏差”问题。 结果证明,在相同的环境中,在空间不相交的相机上进行行人重识别的匹配效果得到明显提 高。     

基于隐马尔科夫的受攻击光纤网络活跃节点检测方法

传统的受攻击光纤网络活跃节点检测方法通常是被动式的,只能对攻击发生后的行为进行分析,导致检测受攻击活跃节点在光纤网络中的状态值与实际相差较多,为此研究基于隐马尔科夫的受攻击光纤网络活跃节点检测方法。首先对光纤网络活跃节点信号进行去噪处理,通过去噪信号中的数据生成活跃节点特征向量矩阵,进行活跃节点特征融合,在此基础上建立隐马尔科夫受攻击检测模型,定位受攻击光纤网络活跃节点。实验结果表明：该方法在检测受攻击活跃节点在光纤网络中的状态值与实际相接近,精度更高,具有实际的应用价值。