摘要：针对现有的深度卷积神经网络往往训练平行的分类器层,很少关注类别的层次性结构,导致均衡性分类器训练难度较大的问题,提出一种结构化的深度多任务学习算法.该算法结合深度卷积神经网络与层次分类,使类别之间的结构性信息融入至深度卷积神经网络中.依托树形的类别结构设计了一个带有共享层的多分支网络结构,并使用一种关联性多任务分类器学习算法协同训练各网络分支的分类器层;为了抑制层次间的误差传播,在各分支网络的分类器层的学习过程中添加一个基于父子关系的结构化限制.采用CIFAR100和手工采集到服装数据集,在tensorflow平台上进行实验,结果表明文中算法相比于基准网络可以提高2%~4%的分类准确度.

摘要：通过结合多模态特征与类别标签信息,提出一种基于监督式多模态词典学习的图像表征方法.首先使用纹理、颜色、形状和结构4种模态的视觉特征,以学习包含"共享+特有"信息的稀疏特征来描述目标的视觉特性;然后通过拉普拉斯正则化项使学习到的稀疏特征能够反映类别标签中的语义信息,以增强所学习特征的辨识力.通过图像分类进行实验的结果表明,该方法优于单模态特征及其他基准多模态特征学习方法.

摘要：基于检测的跟踪是近年来多目标跟踪领域的研究热点,针对目前在线跟踪算法通常只考虑相邻2帧间的数据关联,对误检的鲁棒性不高,易造成轨迹碎片的问题,提出一种基于状态预测和运动结构的在线多目标跟踪算法.该算法将多目标跟踪分为逐帧跟踪和轨迹恢复2个阶段.在逐帧跟踪阶段,利用运动结构实现目标空间位置对齐,采用多特征融合进行相似度计算,以提升相邻2帧之间的数据关联精度,运动结构的使用还将提升追踪过程对摄像头移动的鲁棒性;在轨迹恢复阶段,记录未关联目标,并对其进行状态预测,然后和检测结果进行相似度匹配,以完成轨迹恢复,从而解决轨迹碎片问题.在MOTChallenge 2015上的实验结果证明,文中算法的多目标跟踪准确率有明显提高,轨迹碎片减少,同时对于摄像头移动等环境问题具有很好的鲁棒性.

摘要：传统的手绘图像检索方法将自然图像通过边缘检测算法转换成"类手绘图",不能很好地减小自然图像与手绘图像之间的视觉差异.针对此问题,提出一种基于条件生成对抗网络的手绘图像检索方法.首先训练条件生成对抗网络,其中生成器由边缘图至自然图像的映射网络构成;然后通过生成器将手绘图转换为自然图像,以消除二者的视觉差异;最后使用深度卷积神经网络提取深度特征进行相似度度量,达到检索的目的.在基准数据库上进行实验的结果显示,该方法的检索精度有明显提高.