摘要：目的无监督行人重识别可缓解有监督方法中数据集标注成本高的问题,其中无监督跨域自适应是最常见的行人重识别方案。现有UDA(unsupervised domain adaptive)行人重识别方法在聚类过程中容易引入伪标签噪声,存在对相似人群区分能力差等问题。方法针对上述问题,基于特征具有类内收敛性、类内连续性与类间外散性的特点,提出了一种基于近邻优化的跨域无监督行人重识别方法,首先采用有监督方法得到源域预训练模型,然后在目标域进行无监督训练。为增强模型对高相似度行人的辨识能力,设计了邻域对抗损失函数,任意样本与其他样本构成样本对,使类别确定性最强的一组样本对与不确定性最强的一组样本对之间进行对抗。为使类内样本特征朝着同一方向收敛,设计了特征连续性损失函数,将特征距离曲线进行中心归一化处理,在维持特征曲线固有差异的同时,拉近样本k邻近特征距离。结果消融实验结果表明损失函数各部分的有效性,对比实验结果表明,提出方法性能较已有方法更具优势,在Market-1501(1501 identities dataset from market)和DukeMTMC-reID(multi-target multi-camera person re-identification dataset from Duke University)数据集上的Rank-1和平均精度均值(mean average precision,mAP)指标分别达到了92.8%、84.1%和83.9%、71.1%。结论提出方法设计了邻域对抗损失与邻域连续性损失函数,增强了模型对相似人群的辨识能力,从而有效提升了行人重识别的性能。

摘要：针对复杂背景下的目标区域识别精度不高、自适应能力不足等问题,对纹理图像的特点和空间域形成规则进行了研究,提出了一种适合在非规则纹理图像中寻找目标区域的阈值分割新方法。实验表明,该方法具有良好的自适应能力。特别是在有较高能量分布的随机纹理图像中,该方法分割精度较高。

摘要：对布匹表面质量的检测方法进行了研究,并提出了一种新的检测思路。与其它基于纹理的布匹缺陷处理算法不同,该方法的关键步骤就是采用了一种自定义的局部二值化操作,并经实验验证取得了较为理想的处理效果。它具有较为理想的缺陷参数提取效果、较低的误检率和较低的算法复杂度。

摘要：针对目前织物疵点检测主要采用人工检测,检测精度、速度、检出率都较低等问题,研究了一种基于机器视觉的织物疵点检测系统.该系统采用模块化硬件设计.并为之设计了完整的系统软件.经实验验证,该系统具备理想的检测能力,能满足实时在线检测的要求,可以有效检测出生产线上的疵点.