智慧城市是科技賦予給社會(huì)的一個(gè)新的名詞,而攝像頭是建設(shè)智慧城市一個(gè)重要的基礎(chǔ)設(shè)備。高效,有效的利用好攝像頭信息能夠在人們?nèi)粘Ｉ詈途S護(hù)社會(huì)秩序中發(fā)揮重要的作用。行人信息在攝像頭信息中占有很大的比例,通過攝像頭中的行人信息,可以進(jìn)行行人檢索,行人識(shí)別和行人重識(shí)別。因此,對(duì)于行人信息的研究有著很強(qiáng)的現(xiàn)實(shí)意義。本文是對(duì)自然場(chǎng)景下行人屬性信息進(jìn)行識(shí)別。通過總結(jié)之前對(duì)于行人屬性的研究工作,本文發(fā)現(xiàn)之前工作主要是探討行人屬性信息的存在性。然而,行人屬性的位置信息在行人重識(shí)別等領(lǐng)域也有重要的作用,因此本文主要對(duì)如何獲取行人屬性位置信息進(jìn)行研究。本文利用語義分割模型進(jìn)行行人屬性位置信息的獲取。面對(duì)當(dāng)前無可用行人屬性語義分割數(shù)據(jù)集的狀況,本文制作了第一個(gè)行人屬性語義分割數(shù)據(jù)集。在此數(shù)據(jù)集基礎(chǔ)上,本文利用不同語義分割框架進(jìn)行實(shí)驗(yàn),首先利用簡(jiǎn)單的語義分割模型進(jìn)行可行性驗(yàn)證,驗(yàn)證了可以利用語義分割獲取到行人屬性的位置信息,之后利用精度更高更復(fù)雜的模型訓(xùn)練得出此數(shù)據(jù)集的miou基準(zhǔn)值。針對(duì)得到的miou基準(zhǔn)值,本文從屬性類別、準(zhǔn)確率、圖片清晰度三個(gè)方面與miou進(jìn)行了相關(guān)性分析,得出miou與屬性數(shù)量占比、準(zhǔn)確...

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2注意力模型網(wǎng)絡(luò)拓?fù)?br>
上部分模型由三個(gè)１＊１的卷積構(gòu)成（每一個(gè)卷積都帶有ｂａｔｃｈ?ｎｏｒｍａｌｉｚａｔｉｏｎ??和ＲｅＬＵ層），最后的輸出為１＊１＊Ｃ?（Ｃ為屬性的個(gè)數(shù)）。文中將該輸出稱作屬??性注意力映射ｗ，之后忒，ｗ進(jìn)行一個(gè)空間ｓｏｆｔｍａｘ運(yùn)算，這步運(yùn)算使得模型將??資源集中于圖片中最相關(guān)的區(qū)....

圖３－１全卷積網(wǎng)絡(luò)實(shí)現(xiàn)圖??將全連接層變?yōu)槿矸e層一定程度上提升了運(yùn)算效率

北京郵電大學(xué)工學(xué)碩士學(xué)位論文的創(chuàng)新：（１）將原始網(wǎng)絡(luò)中最后幾層全連接層全部變成了卷躍結(jié)構(gòu)，進(jìn)一步提升了識(shí)別準(zhǔn)確率。??層??卷積神經(jīng)網(wǎng)絡(luò)包括ＡｌｅｘＮｅｔ、ＶＧＧ等網(wǎng)絡(luò)，這些網(wǎng)絡(luò)對(duì)于圖的要求，這是因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)在判斷圖片物體類型時(shí)，需幾層全連接層，以達(dá)到最后一層是一個(gè)大小為分類....

圖３－３?ｄｅｅｐ】ａｂｖ３＋模型框架圖??１）?Ａｔｒｏｕｓ?ｃｏｎｖｏｌｕｔｉｏｎ?原理??

％?２ｘ?ｃｏｎｖ?７??圖３－２?ＦＣＮ跳躍結(jié)構(gòu)??圖中將Ｃ〇ｎｖ７使用二進(jìn)制插值法進(jìn)行二倍的上采樣，之后與Ｐ〇〇１４的特征矩??陣進(jìn)行融合，ＦＣＮ稱這種結(jié)構(gòu)為１６ｓ。同理，ＦＣＮ將ｃｏｎｖ７和ｐｏｏｌ４的特征分別??使用二進(jìn)制插值法做４倍和２倍的上采樣，將結(jié)果與ｐｏｏｌ３進(jìn)行....

圖３－２?ＦＣＮ跳躍結(jié)構(gòu)??圖中將Ｃ〇ｎｖ７使用二進(jìn)制插值法進(jìn)行二倍的上采樣，之后與Ｐ〇〇１４的特征矩??

基于?Ａｔｒｏｕｓ?ｃｏｎｖｏｌｕｔｉｏｎ?的?Ａｔｒｏｕｓ?Ｓｐａｔｉａｌ?Ｐｙｒａｍｉｄ?Ｐｏｏｌｉｎｇ?（ＡＳＰＰ）。在此基礎(chǔ)上，??為了提升運(yùn)算效率，ｄｅｅｐｌａｂｖ３＋米取了?ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ結(jié)構(gòu)，并且將Ｘｃｅｐｔｉｏｎ模??型加入到ｅｎｃｏｄｅｒ結(jié)構(gòu)中。....

本文編號(hào)：3908241