摘要：针对目前行人多属性识别算法识别精度不高的问题,利用行人属性之间的内在关联关系,基于“特征提取+回归”的思想,提出了一种基于深度卷积神经网络的行人多属性协同识别方法。该方法首先对多个行人属性标签进行组合编码,得到一个标签组合向量;然后采用基于通道注意力机制的ResNet50作为主干网络提取行人图像的深度特征;最后,设计了一个包含3个全连接层的神经网络结构来建立标签组合向量与行人深度特征之间的映射模型,在一个统一的网络框架下就可以同时对行人的多种属性进行准确识别。在行人属性公共数据集PETA和RAP上的实验结果表明,采用提出的识别方法在公共数据集PETA上获得的识别准确率为84.08%,而在公共数据集RAP上可以获得高达88.12%的识别准确率。

摘要：图像质量评价是图像处理、图像/视频编码等领域的基础性问题,用于评估图像的失真程度,被广泛应用于算法设计与分析、系统性能评估等方面。无参考图像质量评价(又称为盲图像质量评价)是一种重要的客观质量评价方法。因为无须原始的参考图像,因此具有广泛的应用前景。近年来,随着深度学习技术的不断发展,人们提出了多种基于深度学习的无参考图像质量评价方法。对该领域近期的研究进展进行了综述,介绍了衡量算法优劣的指标和数据集,对几种有代表性的无参考图像质量评价方法的性能进行了对比,最后给出了未来可能的研究方向和发展展望。

摘要：行人再识别指的是判断不同摄像头下出现的行人是否属于同一行人,可以看作是图像检索的子问题,可以广泛应用于智能视频监控、安保、刑侦等领域.由于行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人姿态不断变化等原因,使得行人再识别成为目前计算机视觉领域一个既具有研究价值又极具挑战性的研究热点和难点问题.早期的行人再识别方法大多基于人工设计特征,在小规模数据集上开展研究.近年来,大规模行人再识别数据集不断推出,以及深度学习技术的迅猛发展,为行人再识别技术的发展带来了新的契机.本文对行人再识别的发展历史、研究现状以及典型方法进行梳理和总结.首先阐述了行人再识别的基本研究框架,然后分别针对行人再识别的两个关键技术(特征表达和相似性度量),进行了归纳总结,重点介绍了目前发展迅猛的深度学习技术在行人再识别中的应用.另外,本文对行人再识别中代表性的数据集以及在各个数据集上可以取得优异性能的方法进行了分析和比较.最后对行人再识别技术的未来发展趋势进行了展望.

摘要：美国建国不过200余年,而位于新墨西哥州的圣达菲艺术设计大学却已有157年的历史。它作为美国最悠久的大学之一,在美国艺术界、时尚界、电影界,都有着举足轻重的地位。这所不为大多数国了解的美国艺术院校,正在向中国学生敞开怀抱。

摘要：颜色是车辆识别中广泛应用的主要线索之一,在智能交通系统中扮演着重要的角色。受光照变化、噪声、环境等复杂因素的影响,传统的车辆颜色识别方法难以取得理想的识别效果。利用卷积神经网络(CNN)的优越识别性能,提出了一种基于卷积神经网络的监控场景下车辆颜色识别方法。基于传统的CNN原理设计了车色识别专用深度网络架构,直接通过CNN学习基于颜色分布的分类模型。与其他基于深度学习的车色识别方法相比,提出的用于车色识别的专用深度网络,具有参数少、识别速度快、识别精度高等优点。实验结果表明,在Chen等公布的标准数据集上,与最新的研究成果相比,平均识别精度提高约0.77%,识别速度提高14倍左右。

摘要：坩埚表面辐射率是影响坩埚性能的关键因素,直接决定了分子束外延的成膜质量,而错误的选型设计会降低坩埚性能。对分子束源炉内部复杂热场开展了机理研究和数值仿真计算,获得了坩埚表面辐射率对分子束源炉温度场的影响规律。研究发现降低坩埚表面辐射率可减少向外辐射热量,提高保温效果。采用ANSYS仿真分析源炉坩埚内部的温度场,发现坩埚埚口区域温度随着发射率的增加而降低:当发射率从0.05增加到0.95时,坩埚埚口区域温度最高降低90℃,验证了机理分析的结果。通过防氧化处理、精细抛光和表面喷涂特种涂料等处理方式降低坩埚材料表面粗糙度,能够降低坩埚表面辐射率。