-
工业快报
-
政策快报
工业快报
政策快报
传统基于度量学习的煤矿井下行人重识别方法中，由于度量学习忽略正负样本绝对距离，造成损失函数梯度消失或梯度弥散，导致井下人员位置信息识别精度不高。针对该问题，提出了一种基于改进度量学习的煤矿井下行人重识别方法。首先，采用基于手工设计特征的井下人员特征提取方法，对颜色空间、纹理空间等特征进行手动加工提炼，丰富特征维度。然后，采用欧氏距离对人员高维特征进行相似度计算。最后，提出一种改进的三重损失函数，通过在传统三重损失函数中加入自适应权重，增加有效样本的权重，解决了由于忽略了正负样本的绝对距离导致的梯度消失或弥散问题。将传统识别方法与基于改进度量学习的井下行人重识别方法进行了累积匹配特征曲线验证、识别速率验证，结果表明：① 基于改进度量学习的井下行人重识别方法在相似样本的取值为50左右时，样本匹配概率达100%。② 在2种不同标定大小图像的推理耗时上，基于改进度量学习的井下行人重识别方法较传统重识别方法分别减少了44，68 ms。③ 基于改进度量学习的井下行人重识别方法在舍弃行人头脚部分图像后表现更好，在相似样本的取值为42左右，样本匹配概率达100%。
文章内容来自网络，如有侵权，联系删除、联系电话：023-85238885
龙智造旗下工业资讯
参与评论
请回复有价值的信息，无意义的评论将很快被删除，账号将被禁止发言。
评论区