【摘 要】
：
近些年来,我国机动车保有量及道路交通量猛增,使交通管理变得异常复杂,给相关交管部门带来了极大的压力,这对智能交通系统技术的发展提出了更大的挑战。对于交通视频中车辆异常事件的检测,车型识别和视频异常检测算法作为其中的关键技术,是智能交通系统的重要组成部分,也一直是计算机视觉领域的研究热点。车辆型号种类众多,某些车型外观差异小,且在实际交通场景下拍摄的图像中的车辆呈现多视角和多尺度的特点,这些因素都造
论文部分内容阅读
近些年来,我国机动车保有量及道路交通量猛增,使交通管理变得异常复杂,给相关交管部门带来了极大的压力,这对智能交通系统技术的发展提出了更大的挑战。对于交通视频中车辆异常事件的检测,车型识别和视频异常检测算法作为其中的关键技术,是智能交通系统的重要组成部分,也一直是计算机视觉领域的研究热点。车辆型号种类众多,某些车型外观差异小,且在实际交通场景下拍摄的图像中的车辆呈现多视角和多尺度的特点,这些因素都造成车型识别的难度大大提高。此外面对交通场景下异常交通行为检测,尽管实现交通异常检测的方法层出不穷,但在面临复杂的交通场景下,这些方法很难通过一种精确的模式来定义异常交通行为,本文则通过视频异常检测技术来实现交通场景下视频监控中的异常交通行为检测。基于此,针对车型识别任务,我们提出了嵌入车辆姿势信息的车型识别网络EP-CNN,充分挖掘车辆的姿势信息和自适应地提取车辆多尺度特征以提高车型识别性能;针对视频异常检测任务,我们提出了一种标签噪声过滤的弱监督视频异常检测方法,使模型更加充分地学习视频中的异常行为特征。本文的主要工作如下:（1）对车型识别和视频异常检测方法进行总结与分析。详细描述并分析了近年来车型识别和视频异常检测的国内外研究现状,指出了现有车型识别和视频异常检测方法中存在的不足,为本文的车型识别和视频异常检测的研究提供思路。（2）提出了嵌入车辆姿势信息的车型识别网络EP-CNN。EP-CNN由姿势估计子网络PE-Sub Net和车型分类子网络VMC-Sub Net组成。PE-Sub Net用于提取车辆的姿势信息,包括车辆的视角和姿态特征。在VMC-Sub Net中,将姿势信息嵌入到该子网络中辅助车型识别,并提出Multi SE块嵌入到骨干网络中,帮助网络自适应地提取车辆的多尺度特征。通过在Comp Cars和Stanford Cars车型识别数据集上的实验结果,验证了EP-CNN网络的优越性。（3）提出了一种标签噪声过滤的弱监督视频异常检测方法。该方法通过一个双阶段的训练步骤来训练视频异常检测模型的方法。在第一阶段采用基于多实例学习的弱监督方法训练一个标签噪声过滤网络LNF-Net,对异常视频中的标签噪声进行过滤。过滤后形成的标签在第二阶段有监督地训练一个强监督异常检测模型SSAD-Net。通过在交通视频异常检测数据集TAD和常规视频异常检测数据集Shanghai Tech上的实验结果,验证了我们的方法的有效性。
其他文献
深度学习作为人工智能领域的主要技术,已成功应用于解决各种二维图像处理问题,但由于二维图像的局限性,难以完成复杂的场景分析。近年来,3D采集技术飞速发展,3D数据越来越容易得到,点云作为三维数据的典型代表不仅包含目标的空间位置信息,也包含目标的几何结构信息,相对二维图像有着天然的优势。鉴于深度学习技术强大的特征提取能力,使用深度学习方法处理点云成为了当下的研究热点,但由于点云是一组离散点集,具有无序
传统电磁波资源如频率、相位、极化等属性已经得到了人们的有效利用。近年来,研究人员发现电磁波的另一种属性——轨道角动量（Orbital Angular Momentum,OAM）也能用于信息传输。同时,携带轨道角动量的涡旋电磁波的旋转多普勒效应可以有效检测目标的角向运动信息,在雷达目标检测领域具有广阔的应用前景。本文研究了基于涡旋电磁波实现目标三维运动信息测量机理,主要研究内容分为以下几点:（1）提
清晰水下图像对于人类水下活动的开展十分重要,然而光在水中传输时会受到水体和水中微粒的吸收和散射作用,造成成像模糊和色差,为提高水下图像质量,本文开展了基于水下成像模型的图像复原方法研究。本文系统总结了自然水体的光传输模型,并拓展得到传统水下成像模型表达。为复原水下图像,首先提出了基于传统水下成像模型的图像复原方法,通过反演水体衰减系数完成图像复原;之后构建相机空间下的宽波段水下成像模型,针对现有研
图像生成的目标是根据特定需求生成期望的图像,是计算机视觉中非常重要的研究主题。广义的说来,凡是生成新的图像内容的相关问题都可以归为图像生成问题。图像风格化就是一种特殊的图像生成,它是指将一张具有艺术风格图像的风格渲染到内容图像上,使得生成的图像不仅能保留内容图像的语义信息而且具备风格图像的艺术风格。在众多类型的图像中,文字图像作为抽象概念的重要载体,在日常生活中十分常见,是重要的信息元素之一。艺术
在过去的数十年里,二维拓扑光子晶体作为一种新型电磁材料逐渐开始被应用于光通信等领域。近年来,学者们研究发现其在调控光子行为时展现出的优越性能,包括光学信号传输时的鲁棒性等。然而此类研究目前仍处于初始阶段,拓扑光子晶体许多卓越的物理特性亟待应用于包括非线性光学在内的光学信息处理中。我们发现了拓扑光子晶体对光子的强局域性可以增强光子之间的耦合效率,并且在此基础上,探究了二维非线性材料AlGaAs制造的
图像超分辨率旨在从观测的低分辨率图像重建出清晰的高分辨率图像,是计算机视觉领域中最经典的图像重建任务之一。清晰的高分辨率图像不仅可以直接用于实际生活中,还能给计算机视觉的其他任务提供帮助,例如,目标检测,语义分割。近年来,卷积神经网络在单帧图像超分辨率领域取得了显著的进步,但是现有的图像超分辨率模型大多只考虑如何充分利用训练集中固有的静态特性,却忽视了低分辨率图像的自相似特征。鉴于此,本文提出的方
随着现代科技步入人工智能新时代,数据总量呈现出爆炸式的增长,数据类型也越来越多元化。作为数据因果发现的重要一环,因果结构学习领域向来备受关注。然而,目前大多数因果结构学习算法难以应对复杂的非线性数据,特别是高维大数据,普遍存在计算复杂度大、结果精确度低等问题。究其原因,缺乏相应有效的独立性分析是重要影响因素。本文以此为切入点,构建了一种空间坐标SC系数和条件坐标CSC系数,一方面,将其与贝叶斯网络
语义分割性能的提升得益于模型规模的不断扩大,然而随着模型复杂度的提高,其参数和浮点运算量也在增加。为了将高性能模型部署在资源受限的设备上,模型压缩技术应运而生。神经网络剪枝和知识蒸馏是两种简单且高效的压缩方法,现有的剪枝方法在使用特征信息评估滤波器的重要性时忽略了特征间的关系,且对语义分割网络剪枝后的微调流程较为复杂。此外现有方法还未考虑特征中的干扰信息对滤波器评估的影响,跨层的重要性之间也存在较
超表面是由人工设计的亚波长单元组成的。在过去的几十年里,超表面由于其操纵各种光波参数的能力和丰富的功能而引起了众多研究者的广泛关注。人们可以使用亚波长间隔和空间变化几何参数（例如,天线形状、尺寸、方向）的天线阵列,以形成空间变化的光学响应,从而实现光学波前的随意设计。通过将电磁参数可调谐材料加入超表面设计,人们可由外部控制实现器件功能可调,这为超表面领域的发展提供了全新的动力。本论文基于石墨烯和二
为了降低深度学习对标注样本数量的要求,小样本学习被提出并成为了近年来研究的热点。其中基于度量学习的方法首先将样本映射到嵌入空间中,然后使用距离度量实现分类。已有的度量学习方法通常仅将样本独立地进行特征映射,忽略了对任务整体地观察,导致样本在嵌入空间中的分布缺乏判别性;此外现有方法计算原型作为类表达特征时,仅简单求支持集特征均值,由于样本匮乏,原型计算容易受到噪声的干扰,从而对类别的代表性较差。围绕