一种基于GEI和TripletLoss-DenseNet的步态识别方法

    公开(公告)号:CN108921019B

    公开(公告)日:2022-03-08

    申请号:CN201810518121.3

    申请日:2018-05-27

    Abstract: 本发明公开了一种基于GEI和TripletLoss‑DenseNet的步态识别方法,该方法将步态能量图GEI作为网络的输入,采用稠密连接方式连接网络各层,并使用三元组损失函数计算训练的损失值,通过优化损失值,反向传播更新模型参数,训练网络模型直至该模型收敛。经过网络的训练,最终将GEI映射为特定空间S上一维数组表示的特征向量,并用特征向量间的欧氏距离表示行人的相似度,通过相似度来匹配步态识别人的身份。通过在CASIA步态数据库的DatasetB上进行测试,体现了该模型具有较强的特征映射能力,证明了本发明能在训练样本较少的情况下训练出性能优越的基于步态的识别模型,而且具有跨视角识别、模型参数少等优点。

    基于最小生成树聚类改进遗传算法的Hadoop任务调度方法

    公开(公告)号:CN107273209B

    公开(公告)日:2020-11-03

    申请号:CN201710432104.3

    申请日:2017-06-09

    Abstract: 本发明公开了基于最小生成树聚类改进遗传算法的Hadoop任务调度方法,包括待调度任务TaskQueue的建立,任务预测执行时间矩阵ETC的建立,任务本地性矩阵LTC的建立,机器负载列表loadList的建立;进行个体编码、初始化数据,并设定参数;进行种群初始化;对种群内的个体进行解码得到表现型空间,计算表现型空间个体的任务预测执行时间、本地性任务个数和机器负载,然后根据这三个值计算种群内个体的适应度值;在表现型空间对种群进行最小生成树聚类;选择种群内个体参加遗传操作;对选择的个体进行交叉和变异操作;重复迭代直到得到最佳个体。本发明采用改进的遗传算法作为优化算法,同时以任务预测执行时间、本地性任务个数、机器负载三个因素作为参数进行优化求解。

    一种基于GEI和TripletLoss-DenseNet的步态识别方法

    公开(公告)号:CN108921019A

    公开(公告)日:2018-11-30

    申请号:CN201810518121.3

    申请日:2018-05-27

    Abstract: 本发明公开了一种基于GEI和TripletLoss-DenseNet的步态识别方法,该方法将步态能量图GEI作为网络的输入,采用稠密连接方式连接网络各层,并使用三元组损失函数计算训练的损失值,通过优化损失值,反向传播更新模型参数,训练网络模型直至该模型收敛。经过网络的训练,最终将GEI映射为特定空间S上一维数组表示的特征向量,并用特征向量间的欧氏距离表示行人的相似度,通过相似度来匹配步态识别人的身份。通过在CASIA步态数据库的DatasetB上进行测试,体现了该模型具有较强的特征映射能力,证明了本发明能在训练样本较少的情况下训练出性能优越的基于步态的识别模型,而且具有跨视角识别、模型参数少等优点。

    一种基于3D稠密卷积神经网络的步态识别方法

    公开(公告)号:CN108460340A

    公开(公告)日:2018-08-28

    申请号:CN201810113101.8

    申请日:2018-02-05

    Abstract: 本发明公开了一种基于3D稠密卷积神经网络的步态识别方法,该方法中的网络利用3D卷积提取步态在时间维度上的变换特征,同时拥有DenseNet结构的特征保留能力。本发明在网络深度较浅,训练样本较少的情况下训练出性能优越的可根据视频中的步态识别其身份的分类识别模型。通过在CASIA步态数据库的Dataset A上进行测试,证明该方法能在训练样本不充足的情况下训练出实用的步态识别模型,且具有训练速度快,模型参数少,识别率高的优点,并在单一视角或跨视角情况下都具有可观的识别能力。

    基于最小生成树聚类改进遗传算法的Hadoop任务调度方法

    公开(公告)号:CN107273209A

    公开(公告)日:2017-10-20

    申请号:CN201710432104.3

    申请日:2017-06-09

    Abstract: 本发明公开了基于最小生成树聚类改进遗传算法的Hadoop任务调度方法,包括待调度任务TaskQueue的建立,任务预测执行时间矩阵ETC的建立,任务本地性矩阵LTC的建立,机器负载列表loadList的建立;进行个体编码、初始化数据,并设定参数;进行种群初始化;对种群内的个体进行解码得到表现型空间,计算表现型空间个体的任务预测执行时间、本地性任务个数和机器负载,然后根据这三个值计算种群内个体的适应度值;在表现型空间对种群进行最小生成树聚类;选择种群内个体参加遗传操作;对选择的个体进行交叉和变异操作;重复迭代直到得到最佳个体。本发明采用改进的遗传算法作为优化算法,同时以任务预测执行时间、本地性任务个数、机器负载三个因素作为参数进行优化求解。

Patent Agency Ranking