针对无人机场景下行人重识别所呈现的多视角多尺度特点,以及传统的基于卷积神经网络的行人重识别算法受限于局部感受野结构和下采样操作,很难对行人图像的全局特征进行提取且图像空间特征分辨率不高。提出一种无人机场景下基于Transformer的轻量化行人重识别(Lightweight Transformer-based Person Re-Identification,LTReID)算法,利用多头多注意力机制从全局角度提取人体不同部分特征,使用Circle损失和边界样本挖掘损失,以提高图像特征提取和细粒度图像检索性能,并利用快速掩码搜索剪枝算法对Transformer模型进行训练后轻量化,以提高模型的无人机平台部署能力。更进一步,提出一种可学习的面向无人机场景的空间信息嵌入,在训练过程中通过学习获得优化的非视觉信息,以提取无人机多视角下行人的不变特征,提升行人特征识别的鲁棒性。最后,在实际的无人机行人重识别数据库中,讨论了在不同量级主干网和不同剪枝率情况下所提LTReID算法的行人重识别性能,并与多种行人重识别算法进行了性能对比,结果表明了所提算法的有效性和优越性。
由于物联网中服务数量的海量性、设备状态的动态变化性等特点,传统的互联网中基于关键词的“被动式”语义服务搜索技术将不再适用于物联网环境,如何利用并分析用户和设备之间大量的交互信息来给用户推荐与之最相关的设备资源是物联网中资源发现算法的关键。为此,首先给出一种基于超图理论的物联网用户-设备交互的表示模型并配以对应的表示矩阵,基于该模型提出了物联网业务场景中的资源推荐问题,并将该问题转换成基于矩阵分解的相关程度预测问题,最后引入最优化理论中的交替最小二乘法(Alternating least squares,ALS)来求解矩阵的最优化分解问题,进而提出一种基于隐语义模型的资源推荐算法,并与传统推荐系统中基于物品的协同过滤算法(ItemCF)在均方根误差(Root mean square error,RMSE)和平均绝对误差(Mean absolute error,MAE)等方面作对比,实验结果证明了本文所提出的推荐算法的有效性。
暂无评论