摘要：拍摄设备、角度和光线的差异以及相似目标的干扰,给跨设备目标身份识别任务带来了严峻挑战。针对识别过程存在的类内差异和类间相似问题,提出了一种融合多尺度和频域特征的识别模型,在主干网络中加入注意力机制提高模型对高辨识特征的关注度;在分支网络中,设计了一种基于注意力的多尺度扩张融合模块对不同深度特征进行多粒度采样融合,增强网络的空间映射能力;在后处理阶段构造自学习的频域卷积模块,实现多尺度和频域特征的融合,利用频域信息提高度量相似目标的准确率。经过实验,算法在Veri776和VehicleID数据集的平均均值精度(mAP)和首次命中精度(Rank-1)分别获得了81.60%、97.20%和90.50%、85.30%,结果优于近些年主流方法,能够满足跨设备的多目标身份识别要求。

摘要：为了解决现有的目标检测、跟踪等视觉算法在暗光场景下出现的检测率下降问题,提出了一种基于Retinex理论的暗光图像增强算法。在分解网络中将图像的暗通道作为先验补偿;在降噪网络中设计一种多分辨率递归集合模块,以避免上采样时损失信息,同时编码多尺度的上下文信息;在光照恢复网络中使用快速傅里叶变换和复数卷积进行高频信号增强。所提算法在公开数据集LOL、LSRW上的峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)指标分别达到了22.408 dB、0.875和18.901 dB、0.691,均优于当前主流算法。