【摘 要】
：
近年来基于深度神经网络的行人重识别算法取得了长足的进步,被广泛应用于网络中的批归一化(batch normalization)模块发挥着重要作用.批归一化模块在多数情况下可有效提高网络收敛速度和训练稳定性,然而当多个独立标注的数据库混合在一块进行跨域或者多域训练时,数据之间的分布差异使得目前的批归一化算法工作逻辑存疑.由于不同批次下训练数据的分布差异较大,归一化过程中的统计参数不稳定导致批归一化效果恶化.该文聚焦于多数据集合并下的行人重识别模型训练问题,通过对多数据集分布差异导致的多域模型批归一化存在的问
【机 构】
：
南京邮电大学 通信与信息工程学院,江苏 南京 210003;南京邮电大学 物联网学院,江苏 南京 210003
论文部分内容阅读
近年来基于深度神经网络的行人重识别算法取得了长足的进步,被广泛应用于网络中的批归一化(batch normalization)模块发挥着重要作用.批归一化模块在多数情况下可有效提高网络收敛速度和训练稳定性,然而当多个独立标注的数据库混合在一块进行跨域或者多域训练时,数据之间的分布差异使得目前的批归一化算法工作逻辑存疑.由于不同批次下训练数据的分布差异较大,归一化过程中的统计参数不稳定导致批归一化效果恶化.该文聚焦于多数据集合并下的行人重识别模型训练问题,通过对多数据集分布差异导致的多域模型批归一化存在的问题进行分析.然后针对模型批量归一化算法面对的多域差异,提出了一种解决策略,在多个数据集并行训练下提高了模型的泛化能力.实验结果表明:所提出的多域归一化方法在多域训练下能有效提高模型最终的泛化能力,获得更高的识别准确度,并且可应用于其他行人重识别网络以进一步提升模型性能.
其他文献
移动边缘云计算是5G技术的核心之一,也是当下非常热门的通信技术.但当前移动用户数量迅猛增长,传统资源分配方式已不能满足用户需求,因此根据用户的规模及其任务优先级的实时变化,如何合理制定资源分配策略来满足用户对计算单元、存储空间、软件等资源的需求是当下十分热门的研究方向.该文提出了一种基于多目标优先级粒子群算法的边缘云资源调度算法(MPPSO),合理布局多个边缘基站,形成边缘云.在多用户多任务并发时,综合用户数据传输速率、任务能耗、任务优先级和边缘基站性能等多方面因素,设计了两个适应度函数和一种粒子编解码方
The deformation behavior of equal channel angular pressing (ECAP) was discussed by using plasticity method. The node mapping method is employed to realize the analysis of multi-pass ECAP by using three-dimensional FEM methods for pure aluminum. The single
文本分类特别是多类别文本分类问题是非常重要的经典问题,在舆情监测、新闻推荐、在线评论情感分析等领域有着广泛的应用.目前,可用于多类别文本分类的算法很多,但每个算法都有其特定的假设和优缺点.为了帮助使用者或研究者更好地选择和改进分类方法,设计了多类别文本分类方法比较方案,综合考虑了文本特征表示方法和分类算法两个维度,对3种文本特征表示方法和5种分类算法进行组合,形成15种分类模型作为比较对象.基于所设计的比较流程,以从媒体阅读网站SKIP-GRAM爬取SKIP-GRAM的3000条不同类别的资讯文本为研究语
轨迹数据挖掘对于基于位置的应用非常重要,而轨迹划分是轨迹数据挖掘的重要步骤.节点的运动轨迹数量很大,轨迹形状迥异千差万别,使得轨迹划分成为轨迹数据挖掘的关键和难点.轨迹划分的目的是去掉多余的轨迹点,留下重要的轨迹点数据,且要求处理后得到的轨迹留有原来轨迹的特征.该文从速度和加速度等方面分析了节点的运动行为,提出了一种基于双速度特征的轨迹划分方法(trajectory partition method based on double velocities,TPDV).在TPDV中,首先通过检测节点移动速度的
近年来,高维数据算法在诸如机器学习领域以及模式识别当中有着十分广泛的应用.降维算法的目的是为了揭示出在高维数据空间中样本数据的固有的组成特性,关注于寻找原始数据集特征表示中有价值的信息.相邻区域选择问题对流形学习降维算法的性能改进至关重要.因此,该文提出一种流形学习降维算法中的新动态邻域选择方法Mod-HLLE(modified Hessian locally linear embedding).该方法针对Hessian布局线嵌入方法HLLE进行了考察,Mod-HLLE算法是针对高维数据的局部线性嵌入降维
针对卷积神经网络应用于图像分类任务时需要大量有标签数据的问题,提出一种融合卷积神经网络和聚类分析的无监督分类模型,将无监督算法引入深度学习,并将该模型应用到图像分类领域,来弥补现有分类方式的不足.首先对经典卷积神经网络AlexNet从网络结构和模型训练两个方面进行优化;然后利用改进后的自适应快速峰值聚类算法指导聚类过程,该模型在学习整个网络参数的同时对卷积输出的特征进行聚类,这两个过程迭代进行,以达到对图像进行无监督分类的目的;为了验证所提出的无监督图像分类模型的可行性和有效性,选用了四个常用于图像分类领
互联网购物逐渐走进人们生活,人们在购物的同时也会留下海量评论文本,这些文本蕴含着巨大的价值和情感倾向,通过分析这些服装电商评论文本情感倾向,为推荐系统提供了参考.传统的算法难以提取到文本更深层次的情感特征,难以达到很好的效果.因此,该文提出了一种基于多层注意力机制BiGRU-SD-Attention的算法模型.首先,通过分布式爬虫采集服装电商评论文本,将文本数据进行清洗,划分为词语级别和句子级别数据集;利用BiGRU网络提取文本的正、负情感特征,然后对词语和句子分别运用注意力机制进行情感特征的重新加权计算
针对经典Apriori算法在迭代过程中频繁扫描数据库,且动态数据更新后需要重新处理数据的不足,提出一种基于二进制编码的增量更新改进CBEF-Apriori算法.该算法的核心思想是将添加增量后的项集、事务转换成二进制编码,从而将计算项集支持度转化为项集与事务数据库的二进制编码位运算过程.改进算法筛选原数据库生成的频繁项集与增量数据库新生成的候选项集,有效减少了候选项集的规模,提高算法效率的同时更符合现实需要.实验结果表明,相比于经典Apriori算法和CBE-Apriori算法,改进算法在挖掘出正确频繁项集
利用客户交易数据聚类分析,可得到更优异的客户细分效果,有助于企业更详实地了解消费者,制定精准的营销策略.PurTreeClust是一种新型的客户交易数据聚类算法,定义了一种新型的度量方式PurTree距离,可以很好地分析处理具有层次树结构的交易数据,但未考虑近邻点的影响,仅将交易树分配到距离最近的聚类中心所属类簇,容易出现错误的交易树分配.该文利用交易树之间的共享最近邻信息,提出一种客户交易数据聚类算法.该算法在聚类分配时,充分利用共享最近邻,首先分配类簇的从属交易树,然后分配类簇的可能从属交易树,实现聚
关于脑电信号中的噪声处理问题一直是脑-机接口(BCI)领域的重点研究方向,通常认为噪声是有害的,所以针对脑电信号中的噪声处理往往以降噪或消噪为主.但是根据随机共振(SR)的思想,在非线性系统中噪声往往能增强信号处理,而脑电信号恰好具有非线性的特征,因此提出运用高斯噪声提高运动想象脑电信号的识别率.通过在脑电信号中加入独立的高斯噪声,将原始训练集与添加噪声的训练集串联起来增加训练样本量,考虑训练样本量增加与否和噪声加入的阶段(训练或/和测试);通过共空间模式(CSP)和小波包变换(WPT)提取分类特征,并用