检索结果

Select

1. 基于SqueezeNet的轻量级图像融合方法

王继霄, 李阳, 王家宝, 苗壮, 张洋硕

计算机应用 2020, 40 (3): 837-841. DOI: 10.11772/j.issn.1001-9081.2019081378

摘要（373）

PDF （855KB）（307）

现有深度红外和可见光图像融合模型网络参数多，计算过程需要耗费大量计算资源和内存，难以满足移动和嵌入式设备上的部署要求。针对上述问题，提出了一种基于SqueezeNet的轻量级图像融合方法，该方法利用轻量级网络SqueezeNet提取红外和可见光图像特征，并通过该网络提取的特征获得权重图并进行加权融合，进而获得最后的融合图像。通过与ResNet50方法进行比较发现，该方法在保持融合图像质量相近的情况下，模型大小和网络参数量分别被压缩为ResNet50方法的1/21和1/204，运行速度加快了4倍。实验结果表明，该方法不仅降低了融合模型的大小，加快了图像融合速度，同时得到了比其他传统融合方法更好的融合效果。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于Movidius神经计算棒的行人检测方法

张洋硕, 苗壮, 王家宝, 李阳

计算机应用 2019, 39 (8): 2230-2234. DOI: 10.11772/j.issn.1001-9081.2018122595

摘要（639）

PDF （729KB）（347）

Movidius神经计算棒是基于USB模式的深度学习推理工具和独立的人工智能加速器，为广泛的移动和嵌入式视觉设备提供专用深度神经网络加速功能。针对深度学习的嵌入式应用，实现了一种基于Movidius神经计算棒的近实时行人目标检测方法。首先，通过改进RefineDet目标检测网络结构使模型大小和计算适应嵌入式设备的要求；然后，在行人检测数据集上对模型进行重训练，并部署于搭载Movidius神经计算棒的树莓派上；最后，在实际环境中对模型进行测试，算法达到了平均每秒4帧的处理速度。实验结果表明，基于Movidius神经计算棒，在计算资源紧张的树莓派上可完成近实时的行人检测任务。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于特征融合与核局部Fisher判别分析的行人重识别

张耿宁, 王家宝, 李阳, 苗壮, 张亚非, 李航

计算机应用 2016, 36 (9): 2597-2600. DOI: 10.11772/j.issn.1001-9081.2016.09.2597

摘要（651）

PDF （785KB）（324）

行人重识别精度主要取决于特征描述和度量学习两个方面。在特征描述方面，现有特征难以解决行人图像视角变化的问题，因此考虑将颜色标签特征与颜色和纹理特征融合，并通过区域和块划分的方式提取直方图获得图像特征；在度量学习方面，传统的核局部Fisher判别分析度量学习方法对所有查询图像统一映射到相同的特征空间中，忽略了查询图像不同区域的重要性，为此在核局部Fisher判别分析的基础上对特征进行区域分组，采用查询自适应得分融合方法来描述图像不同区域的重要性，由此实现度量学习。在VIPeR和iLIDS数据集上，实验结果表明融合后的特征描述能力明显优于原始特征，同时改进的度量学习方法有效提高了行人重识别精度。

参考文献 | 相关文章 | 多维度评价