最新設(shè)計(jì)資源

基于雙流卷積神經(jīng)網(wǎng)絡(luò)和生成式對(duì)抗網(wǎng)絡(luò)的行人重識(shí)別算法[人工智能][信創(chuàng)產(chǎn)業(yè)]

近年來(lái)，針對(duì)行人重識(shí)別問(wèn)題的深度學(xué)習(xí)技術(shù)研究取得了很大的進(jìn)展。然而，在解決實(shí)際數(shù)據(jù)的特征樣本不平衡問(wèn)題時(shí)，效果仍然不理想。為了解決這一問(wèn)題，設(shè)計(jì)了一個(gè)更有效的模型，該模型很好地解決了目標(biāo)的不同姿態(tài)的干擾以及數(shù)據(jù)集中的圖片數(shù)量不足的問(wèn)題。首先，通過(guò)遷移姿態(tài)生成對(duì)抗網(wǎng)絡(luò)生成行人不同姿勢(shì)的圖片，解決姿態(tài)干擾及圖片數(shù)量不足的問(wèn)題。然后利用兩種不同的獨(dú)立卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，并將其結(jié)合得到綜合特征。最后，利用提取的特征完成行人重識(shí)別。采用姿勢(shì)轉(zhuǎn)換方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)展，有效地克服了由目標(biāo)不同姿勢(shì)引起的識(shí)別誤差，識(shí)別錯(cuò)誤率降低了6%。實(shí)驗(yàn)結(jié)果表明，該模型在Market-1501和DukeMTMC-Reid上達(dá)到了更好的識(shí)別準(zhǔn)確度。在DukeMTMC-Reid數(shù)據(jù)集上測(cè)試時(shí)，Rank-1準(zhǔn)確度增加到92.10%，mAP 達(dá)到84.60%。

發(fā)表于：12/15/2020

具有關(guān)系敏感嵌入的知識(shí)庫(kù)錯(cuò)誤檢測(cè)[人工智能][其他]

準(zhǔn)確性與質(zhì)量對(duì)于知識(shí)庫(kù)而言尤為重要，盡管已經(jīng)有很多關(guān)于知識(shí)庫(kù)不完整性的研究，但是很少有工作者考慮到對(duì)于知識(shí)庫(kù)存在的錯(cuò)誤進(jìn)行檢測(cè)，按照傳統(tǒng)方法通常無(wú)法有效捕捉知識(shí)庫(kù)中錯(cuò)誤事實(shí)內(nèi)在相關(guān)性。本文提出了一種知識(shí)庫(kù)具有關(guān)系敏感嵌入式方法NSIL，以獲取知識(shí)庫(kù)各關(guān)系之間的相關(guān)性，從而檢查出知識(shí)庫(kù)中的錯(cuò)誤，以此提高知識(shí)庫(kù)的準(zhǔn)確性與質(zhì)量。該方法分為相關(guān)性處理和錯(cuò)誤檢測(cè)兩階段。在相關(guān)性處理階段，使用NSIL的相關(guān)函數(shù)以分值形式獲取各關(guān)系之間的相關(guān)度；在錯(cuò)誤檢測(cè)階段，基于相關(guān)度分值進(jìn)行錯(cuò)誤檢測(cè)，對(duì)于缺失主體或客體的三元組進(jìn)行缺失成分預(yù)測(cè)。最后在知識(shí)庫(kù)之一Freebase生成的基準(zhǔn)數(shù)據(jù)集“FB15K”上進(jìn)行了廣泛驗(yàn)證，證明了該方法在知識(shí)庫(kù)錯(cuò)誤知識(shí)檢測(cè)方面有著很高的性能。

發(fā)表于：12/15/2020