【摘 要】
：
针对密集场景下人群目标尺度变化大导致识别精度不高的问题,本文提出两种多尺度特征融合结构:注意力加权融合模块(attention-weighted fusion module,AWF)和自底向上融合模块(bottom-up fusion module,BUF).其中AWF模块引入注意力分支学习特征图的权重,并将加权后的多层尺度特征进行叠加.而BUF模块在处理特征图时使用空洞卷积捕获更多尺度信息,且浅层特征图采用拼接方式融合.经过融合模块处理的特征图具有更强的表达能力,预测的密度图更加精准.本文算法以ResN
【机 构】
：
西南交通大学 电气工程学院, 成都 610097
论文部分内容阅读
针对密集场景下人群目标尺度变化大导致识别精度不高的问题,本文提出两种多尺度特征融合结构:注意力加权融合模块(attention-weighted fusion module,AWF)和自底向上融合模块(bottom-up fusion module,BUF).其中AWF模块引入注意力分支学习特征图的权重,并将加权后的多层尺度特征进行叠加.而BUF模块在处理特征图时使用空洞卷积捕获更多尺度信息,且浅层特征图采用拼接方式融合.经过融合模块处理的特征图具有更强的表达能力,预测的密度图更加精准.本文算法以ResNet50为骨干网络提取特征,分别使用AWF和BUF模块进行特征融合,在公开数据集上进行实验.结果显示加入AWF模块的计数算法在Shanghai Tech数据集上的平均绝对误差(MAE)降到45.54(A部分)和7.6(B部分),均方误差(MSE)降到100.28(A部分)和11.4(B部分),在UCF_CC_50数据集上的MAE和MSE则降至212.42和323.06.而加入BUF模块后的算法在Shanghai Tech数据集上的MAE则为51.6(A部分)、8.0(B部分),MSE降到102(A部分)和12.8(B部分),在UCF_CC_50数据集上的MAE和MSE为242.6和359.5.实验结果表明,本文提出的AWF模块和BUF模块都可以有效融合深层与浅层的特征信息,优化特征图,提高计数精度.
其他文献
卫星及其载荷的在轨运行异常诊断是卫星高效安全运行的重要支持,发展智能、高效的卫星异常检测方法,是卫星地面系统的研究焦点之一.在我国空间科学先导专项系列卫星任务的应用背景下,根据空间科学卫星的数据特性与异常形态,基于梯度提升决策树(gradient boosting decision tree,GBDT)原理构建卫星工程参数异常智能检测方法,利用量子科学实验卫星任务的工程数据开展应用验证与分析,与原采用的“阈值+规则表达式”异常检测方法相比,将平均准确率提升了约两个百分点,达到98％以上,可有效减少漏报和错
随着科技的进步,采摘机器人各个部分的系统也日益完善.其中,机器人视觉定位的系统设计很大程度影响了其工作效率,尤其是在目标检测速率、采摘果实准确率以及采摘目标环境适应度方面.本次研究提出利用双目立体视觉系统获取油茶果目标图像,并采集计算深度信息,制作自己的油茶果VOC数据集,采用YOLOv3目标检测算法来实现复杂环境下油茶果果实的识别,并通过设计上位机界面,直观展示对油茶果目标的定位功能.实验发现该方法具有更高的识别率和更快的识别速度,在复杂环境下展示了其算法的优越性.
近年来深度强化学习在一系列顺序决策问题中取得了巨大的成功,使其为复杂高维的多智能体系统提供有效优化的决策策略成为可能.然而在复杂的多智能体场景中,现有的多智能体深度强化学习算法不仅收敛速度慢,而且算法的稳定性无法保证.本文提出了基于值分布的多智能体分布式深度确定性策略梯度算法(multi-agent distributed distributional deep deterministic policy gradient,MA-D4PG),将值分布的思想引入到多智能体场景中,保留预期回报完整的分布信息,使
CDN带宽异常值的预测和准确告警一直是网络运营的重点和难点,为此在时间序列LSTM(long short term memory network)基础之上,提出并实现了一套新的算法框架——局部加权回归串行LSTM.框架采用时序插值采样方法构造数据集,局部加权算法融入最小二乘回归拟合模型进行初始预测,预测结果串行LSTM时序模型进行最终带宽异常值预测,使用4sigma方法判断某时刻带宽是否为异常,并按等级标准发出异常告警.实验结果显示该模型实现了带宽异常值的预判及告警.
民航客机配载是飞机勤务关键步骤之一,随着工业互联网发展和航空业对自身服务要求的提高,手工配载操作出现了效率瓶颈,机场各项业务操作必将向自动化、智能化发展,其数字化势在必行.现存的部分算法不能较好地适应民航客机配载的多约束、多变动环境,依赖地勤工作人员进行手动调整.本文将配载环境中涉及到的各种约束条件和配载流程进行结构化分析,提出了一种基于遗传算法的约束回报动态计分解决方法,经测试能够根据不同约束条件选取来获得不同配载结果,达到优化重心偏移、实时配载计算的目的,并在此基础上保证了系统结构的可扩展性,使得系统
基于视觉定位的无人机在弱纹理环境下,位置容易产生漂移,针对该问题,提出一种基于改进Snake算法与ORB(oriented FAST and rotated BRIEF)特征光流相结合的方法,对无人机运行参数进行估计,从而改善漂移.首先,采用高斯滤波对采集视频帧进行去噪处理;然后,计算视频帧灰度共生矩阵,判断是否均处于弱纹理区域,若均为弱纹理部分,采用ORB光流算法对参数进行估计;若存在非弱纹理区域,使用改进Snake模型,计算该区域重心,估计移动估计.使用单应性矩阵,分解得到旋转分量.通过在室内的实验,
在实现推荐的过程中,用户对项目的浏览和关注的时间顺序是推荐算法中重要的数据信息,同一用户在不同时间对项目的喜好不同对推荐结果也有着一定的影响.本文在神经协同过滤模型的框架下,提出将长短期记忆网络和广义矩阵分解进行融合,同时捕捉用户的短期偏好和长期偏好.利用长短期记忆网络对时序数据的强拟合能力,学习用户的短期偏好信息,捕捉序列的长依赖关系,通过广义矩阵分解学习用户的长期偏好信息,从而优化推荐算法,提高推荐性能.通过MovieLens-1M数据集进行试验后,结果表明,本文提出的新模型在收敛速度和推荐性能方面都
图卷积网络(GCN)是处理图结构化数据的一种十分重要的方法,最新的研究表明,GCN极易受到对抗性攻击,即通过修改少量数据,就能显著影响GCN的结果.在对GCN的所有对抗攻击中,有一种特殊的对抗攻击方法——通用对抗攻击.这种攻击能产生应用于所有样本的扰动,并使GCN得到错误的结果.本文主要研究针对性通用对抗攻击,通过在现有算法TUA的基础上引入梯度选择的方法,提出了GTUA.在3个流行数据集上的实验结果表明:仅仅在少数类别上,本文方法与现有方法结果相同,在多数类别上,本文方法均优于现有方法,并且平均攻击成功
Kubernetes是比较流行的开源容器编排引擎,其默认调度算法只考虑了CPU和内存两种性能指标,且采用统一权重计算候选节点得分,无法满足各异的Pod应用需求.本文在此基础上扩展了Kubernetes性能指标,增加了带宽、磁盘、IO速率3种指标,并通过AHP(analytic hierarchy process,层次分析法)计算主观权重和EW(entropy weight,熵权法)根据Pod应用部署过程中节点的性能指标的资源利用率实时计算资源指标的客观权重.两种权重相结合应用到改进的TOPSIS(tech
基于深度学习的行为识别算法往往由于复杂的网络设计而难以在实际应用中达到快速、准确的识别效果.针对以上情况,提出一种轻量型的基于时移和片组注意力融合的端到端双流神经网络模型.算法在RGB与光流分支网络中,采用时间稀疏分组随机采样策略实现长时程建模,利用时移模块在时间维度上置换部分通道从而结合邻帧信息来提升时序表征能力,同时通过多路径及特征图注意融合的片组注意力模块提升网络的识别性能.实验表明,模型在行为识别公共数据集UCF101及HMDB51上分别达到了95.00％和72.55％的识别准确率.