摘要：有效利用多模态数据的不同特征能够提高行为识别性能,其核心问题在于多模态融合,主要包括在数据层面、特征层面和预测分数层面融合不同模态数据的特征信息。研究在特征和预测分数2个层面通过多教师知识蒸馏的多模态融合方法,将多模态数据的互补特征迁移到RGB网络,以及采用不同知识蒸馏损失函数和模态组合的行为识别效果。提出一种基于知识蒸馏的多模态行为识别方法,通过在特征上采用MSE损失函数、在预测分数上采用KL散度进行知识蒸馏,并采用原始的骨骼模态和光流模态的教师网络的组合进行多模态融合,使RGB学生网络同时学习到光流和骨骼教师网络的特征语义信息和预测分布信息,从而提高识别准确率。实验结果表明,该方法在常用的多模态数据集NTU RGB+D 60、UTD-MHAD和N-UCLA以及单模态数据集HMDB51上分别达到90.09%、95.12%、97.82%和81.26%的准确率,在UTD-MHAD数据集上的识别准确率相比于单模态RGB数据分别提升3.49、2.54、3.21和7.34个百分点。

摘要：为了从全局出发,不断缩小研究范围,高效地进行红外抗干扰评估探索工作,提出采用序贯均匀试验设计方法开展研究。利用该方法设计红外抗干扰评估试验方案,通过数字仿真系统进行试验,在试验研究过程中可以掌握每阶段的详细信息并视情况作出相应调整,直至得到最终满意的试验域和脱靶量。试验结果表明:该方法有效可行,缩小了研究范围,与其他方法的比较也显示出该方法收敛快、效果好等独特优点,为红外抗干扰评估研究提供了一种方法思路。