检索结果

Select

1. 基于多模态图卷积神经网络的行人重识别方法

何嘉明, 杨巨成, 吴超, 闫潇宁, 许能华

《计算机应用》唯一官方网站 2023, 43 (7): 2182-2189. DOI: 10.11772/j.issn.1001-9081.2022060827

摘要（390）

HTML （35）

PDF （1887KB）（249）

针对行人重识别中行人文本属性信息未被充分利用以及文本属性之间语义联系未被挖掘的问题，提出一种基于多模态的图卷积神经网络（GCN）行人重识别方法。首先使用深度卷积神经网络（DCNN）学习行人文本属性与行人图像特征；然后借助GCN有效的关系挖掘能力，将文本属性特征与图像特征作为GCN的输入，通过图卷积运算来传递文本属性节点间的语义信息，从而学习文本属性间隐含的语义联系信息，并将该语义信息融入图像特征中；最后GCN输出鲁棒的行人特征。该多模态的行人重识别方法在Market-1501数据集上获得了87.6%的平均精度均值（mAP）和95.1%的Rank-1准确度；在DukeMTMC-reID数据集上获得了77.3%的mAP和88.4%的Rank-1准确度，验证了所提方法的有效性。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于一维卷积混合神经网络的文本情感分类

陈郑淏, 冯翱, 何嘉

计算机应用 2019, 39 (7): 1936-1941. DOI: 10.11772/j.issn.1001-9081.2018122477

摘要（442）

PDF （1060KB）（333）

针对情感分类中传统二维卷积模型对特征语义信息的损耗以及时序特征表达能力匮乏的问题，提出了一种基于一维卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。首先，使用一维卷积替换二维卷积以保留更丰富的局部语义特征；再由池化层降维后进入循环神经网络层，整合特征之间的时序关系；最后，经过softmax层实现情感分类。在多个标准英文数据集上的实验结果表明，所提模型在SST和MR数据集上的分类准确率与传统统计方法和端到端深度学习方法相比有1至3个百分点的提升，而对网络各组成部分的分析验证了一维卷积和循环神经网络的引入有助于提升分类准确率。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于转置卷积操作改进的单阶段多边框目标检测方法

郭川磊, 何嘉

计算机应用 2018, 38 (10): 2833-2838. DOI: 10.11772/j.issn.1001-9081.2018030720

摘要（407）

PDF （984KB）（345）

针对单阶段多边框目标检测（SSD）模型在以高交并比（IoU）评估平均检测精度（mAP）时出现的精度下降问题，提出一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD模型为基础，使用ResNet 101作为特征提取网络。首先，利用转置卷积操作扩大网络结构中深层特征图的尺寸，为浅层特征图引入对目标的高层抽象和上下文信息；其次，使用全连接卷积层减少浅层特征图在进行特征聚合时出现偏差的可能性；最后，将浅层特征图与表示了上下文信息的深层特征图拼接，并使用1×1卷积操作恢复通道数。特征聚合过程可以循环进行多次。实验结果表明，使用KITTI数据集，以交并比（IoU）为0.7评估平均检测精度，与原始SSD模型相比，循环特征聚合模型的检测精度提高了5.1个百分点；与已有的精度最高Faster R-CNN相比，检测精度提高了2个百分点。循环特征聚合模型能有效提升平均目标检测精度，生成高质量的边界框。

参考文献 | 相关文章 | 多维度评价