摘要：在图像行人重识别(person re-identification)中,基于深度网络的传统方法通常采用了简单局部切块方式进行特征提取。该方式忽略了特征间的关联性,限制了网络鉴别能力的提高。针对该问题,提出了一种包含多样化特征的网络模型(DFFRRID)。该网络模型在主干网络后设计了三个模块,分别用于提取粗糙的全局特征、由粗到细粒度切分的局部特征以及局部特征间的关联性特征。三个模块相互补充,最后将提取的全局与局部特征集成到分类网络。在损失优化阶段,利用交叉熵损失与标签平滑交叉熵损失的联合损失进行分类学习,以防止网络过拟合。在Market1501、DukeMTMC-ReID以及CUHK03数据集上的实验结果验证了所提模型的有效性,DFFRRID的Rank-1准确率分别达到了95.3%、89.3%和80.5%,mAP精度分别为88.6%、78.9%和73.9%,其相对于大多数方法进一步提高了图像行人重识别精度。

摘要：针对以往句子在文本编码后不能获得高效的特征信息,提出一种基于双流特征互补的嵌套命名实体识别模型。句子在嵌入时以单词的字级别和字符级别两种方式嵌入,分别通过神经网络Bi-LSTM获取句子上下文信息,两个向量进入低层级与高层级的特征互补模块,实体词识别模块和细粒度划分模块对实体词区间进行细粒度划分,获取内部实体。实验结果表明,模型相较于经典模型在特征提取上有较大的提升。

摘要：在研究基于AgentX协议网管系统的基础上,结合工程实践,提出了该网络管理系统在大规模接入汇聚路由器中的实现方案。该方案采用代理扩展和细粒度划分的思想,提出了面向MIB的分布式管理的体系结构,较好地解决了ACR网络管理系统动态扩展的问题。