Повторна ідентифікація особи на основі вбудовування контурної інформації

Анотація:

Повторна ідентифікація особи (Re-ID) відіграє важливу роль у пошуку зниклих безвісти та відстеженні підозрюваних. Повторна ідентифікація людини на основі глибокого навчання досягла значного прогресу за останні роки, і застосування функції контуру пішохода також привернуло увагу. Під час дослідження ми виявили, що контур пішохода недостатній у представленні CNN.

Дослідження виявило позитивний зв’язок між характеристиками силуету пішохода та пам’яттю. Зі стрімким розвитком науки і техніки люди все глибше вивчають характеристики контурів пішоходів, що дуже допомагає людям покращити усвідомлення безпеки та пам’ять.

Коли люди спостерігають за групою зображень пішоходів, вони зазвичай можуть легко запам’ятати деякі характерні риси людини, такі як зріст людини, вага, одяг тощо. Однак зорова пам’ять людей значно покращується, якщо вони ігнорують усі ці особливості та зосереджуються лише на контурах пішоходи. Оскільки обриси пішоходів є однією з найяскравіших рис людей та інших об’єктів і однією з найпоширеніших речей у нашому повсякденному житті. Спостерігаючи та запам’ятовуючи ці основні функції, ми можемо покращити нашу обізнаність про безпеку та змусити нас приділяти більше уваги питанням безпеки у зовнішньому середовищі.

Крім того, контури пішоходів також можуть опосередковано покращити нашу пам’ять. Коли люди спостерігають контури пішоходів, їм потрібно проаналізувати та запам’ятати різні контури ліній, які будуть розвивати нашу спостережливість і пам’ять, тим самим покращуючи рівень нашої пам’яті. Це також дає нам новий погляд і новий метод тренування пам’яті в повсякденному житті.

Підсумовуючи, існує позитивний зв’язок між характеристиками профілю пішохода та пам’яттю. Звертаючи увагу на силуети пішоходів, ми можемо покращити нашу обізнаність про безпеку та всебічний рівень пам’яті, дозволяючи нам краще адаптуватися та справлятися з різними життєвими викликами. Можна побачити, що нам потрібно покращити пам’ять, і Cistanche deserticola може значно покращити пам’ять, оскільки Cistanche deserticola є традиційним китайським лікарським матеріалом, який має багато унікальних ефектів, одним із яких є покращення пам’яті. Ефективність м’ясного фаршу пов’язана з різними активними інгредієнтами, які він містить, включаючи кислоти, полісахариди, флавоноїди тощо. Ці інгредієнти можуть сприяти здоров’ю мозку різними способами.

Натисніть Знати, щоб покращити короткочасну пам'ять

Виходячи з цього, для покращення продуктивності розпізнавання мережі Re-ID ми пропонуємо модуль вилучення контурної інформації (CIEM) і метод вбудовування контурної інформації, щоб мережа могла зосередитися на більшій кількості контурної інформації. Наш метод є конкурентоспроможним за експериментальними даними; mAP набору даних Market1501 досяг 83,8%, а Rank-1 досяг 95,1%. mAP набору даних DukeMTMC-reID досяг 73,5%, а Rank-1 досяг 86,8%. Експериментальні результати показують, що додавання контурної інформації до мережі може покращити швидкість розпізнавання, а хороші контурні характеристики відіграють важливу роль у дослідженні Re-ID.

Ключові слова:

Повторна ідентифікація особи; пішохідний контур; виділення контурної інформації.

1. Введення

Повторна ідентифікація особи (Re-ID), також відома як відстеження пішоходів із перехресними камерами, має на меті ідентифікувати зображення однієї людини під різними камерами [1]. В даний час розпізнавання облич широко використовується в усіх сферах життя, а дослідження розпізнавання облич також швидко розвиваються [2–4]. Однак у багатьох випадках камера не може точно зафіксувати чітке обличчя, тому технологія повторної ідентифікації людини може відігравати важливу роль [5].

Початковий Re-ID залежить від ручних функцій, таких як колір і текстура [6,7]. Хоча це має певний ефект розпізнавання, воно все ж має певний розрив з розпізнаванням людини. Сьогодні більшість Re-ID базується на глибокому навчанні, на якому дослідники намагаються вирішити різноманітні практичні проблеми. Деякі дослідження спрямовані на сам Re-ID, як-от вирішення проблеми з положенням, оклюзії зображення [8,9] тощо. Деякі дослідження спрямовані на мережі глибокого навчання [10], такі як використання механізмів уваги, покращення мережі, розпізнавання малих зразків. [11] та ін.

Виявлено, що контурна інформація також відіграє важливу роль у розпізнаванні зображень. Деякі роботи [12] глибоко розуміють вираження глибинних візуальних особливостей CNN. Експерименти на Imagenet показують, що моделі глибинного навчання на основі CNN віддають перевагу функціям на основі текстури функціям на основі форми [13,14]. Крім того, було доведено, що вбудована гібридна модель на основі текстури та контуру покращує продуктивність класифікації зображень і виявлення об’єктів. Ми вилучаємо карту функцій мережі ResNet-50, яка найчастіше використовується в дослідженнях Re-ID, і візуалізуємо її (див. Малюнок 1). Інтуїтивно можна виявити, що мережа CNN відсутня у вилученні контурної інформації. За останні два роки багато дослідників почали використовувати контурну інформацію як допоміжний елемент для участі в дослідженнях Re-ID і досягли певного успіху.

Базуючись на наведених вище фактах, ми вважаємо, що додавання контурної інформації до мережі CNN може ефективно допомогти їм отримувати все більш надійну інформацію про пішоходів і може покращити кінцевий ефект розпізнавання. Враховуючи наскрізну секретність мережі CNN, ніхто не може втручатися в упереджені знання людини. Тому ми створюємо модуль виділення контурної інформації за допомогою мислення уваги, щоб мережа CNN могла приділяти більше уваги певній контурній інформації, а не втрачати її в процесі багатошарової згортки. По суті, внески цієї статті такі:

• Ми перевіряємо відсутність інформації про контури під час особистого дослідження повторної ідентифікації в мережі CNN.

• Ми пропонуємо модуль вилучення контурної інформації, який може змусити мережу приділяти більше уваги контурній інформації на зображенні пішохода без втручання людського досвіду.

• Експериментальні результати показують, що наш метод добре впливає на набори даних Market1501 і DukeMTMC-reID.

2. Схожі роботи

2.1. Повторна ідентифікація особи на основі механізму уваги

В останні роки широко використовується механізм уваги [15–18]. Його мета полягає в тому, щоб дати можливість мережі дізнатися про важливіші речі. Дослідження Re-ID може ефективно вирішити проблему неправильної пози, відхилення зображення пішохода та часткової оклюзії. Наприклад, Liu et al. [19] вперше запропонували модель уваги для завдання Re-ID для динамічного генерування функцій уваги для визначення місцезнаходження різних локальних областей. Чжао та ін. [20] запропонували модель уваги, засновану на CNN, яка використовує інформацію про подібність парних зображень людини, щоб дізнатися, яка частина тіла використовується для зіставлення. Wang та ін. [21] запропонував модель уваги, що поєднує жорстку увагу та м’яку увагу, яка може одночасно вивчати багатомасштабні локальні та піксельні карти функцій наскрізним способом. Sun та ін. [22] запропонували локально-глобальну багатомасштабну мережу уваги (LGMANet), яка повністю використовує контекстну інформацію та інформацію про просторову увагу для подальшого покращення здатності розпізнавання мережі народження. Чжан та ін. [23] запропонували ефективний модуль глобальної уваги (RGA), який також може бути застосований до завдань сегментації сцени та зображення.

2.2. Повторна ідентифікація особи на основі контурної інформації

Останніми роками деякі дослідники застосували контур пішохода до досліджень Re-ID; наприклад, Chen et al. [24] вперше спробував явно використати контур у глибоких моделях Re-ID і запропонував навігацію по контуру, що значною мірою підтверджує перспективність застосування контуру пішохода. Ян та ін. [25] вважали, що на підставі того, що зміна в одязі людини не є сильною (сильна відноситься до розриву між зимовим і літнім одягом), контур пішохода також може виділити особисті характеристики. Виходячи з цього, контурна карта пішоходів використовується як вхідні дані для вилучення ознак для перевдягання особи Re-ID, і досягаються хороші результати. На основі досліджень Yang та ін., Chen та ін. [26] у поєднанні з механізмом уваги використали контур пішохода для дослідження перевдягання Re-ID. Нещодавно опубліковане дослідження [27] запропонувало багатомасштабний зовнішній вигляд і глибокий інфомакс (MAC-DIM) для максимізації взаємної інформації між елементами кольорового зображення пішохода та елементами контуру пішохода, використовуючи навчання контурів як регулярізацію для отримання більш ефективного представлення функцій з урахуванням форми. з кольорових зображень.

3. Методи

У цьому розділі ми покажемо запропонований модуль вилучення контурної інформації (CIEM) (як показано на малюнку 2) і надамо детальний опис методу Re-ID на основі вбудовування контурної інформації (як показано на малюнку 3).

3.1. Модуль вилучення контурної інформації

Контур пішохода містить відповідні особливості, які є корисними для навчання, але загальна мережа CNN певною мірою ігноруватиме їх. Щоб дозволити мережі приділяти більше уваги інформації, що міститься в контурі пішохода, ми приймаємо ідею уваги та пропонуємо модуль вилучення контурної інформації. Далі ми познайомимося з деталями модуля вилучення контурної інформації та його використанням, як показано на малюнку 2.

Для зображення пішохода в наборі даних, коли для згортки використовується ResNet-50, його вихідна карта функцій за залишковим шаром встановлюється як F, а її розмір становить C x H W, де C — кількість каналів, а H x W — розмір простору. Для гілки контуру пішохода ми зменшуємо розмір карти контуру пішохода, що відповідає зображенню пішохода, через шар згортки, щоб отримати контурну карту F' того самого розміру, що й карта F. Її розмір становить 1 В x Ш, де 1 – номер каналу. H x W — розмір простору, а F і F' — входи модуля вилучення контурної інформації.

3.2. Загальна архітектура

У попередньому розділі ми детально ознайомилися з модулем вилучення контурної інформації. Далі ми представимо метод Re-ID, заснований на вбудовуванні контурної інформації в цілому. Загальна структура, яку ми запропонували, показана на малюнку 3.

Весь кадр розділений на дві гілки з двома входами відповідно. Вхідними даними основної гілки є оригінальне зображення пішохода RGB у наборі даних, а вхідними даними контурної гілки є зображення контуру пішохода, що відповідає оригінальному зображенню RGB.

У основній гілці ми використовуємо ResNet-50 як магістральну мережу, яка загалом розділена на п’ять частин, а саме: шар згортки conv1 і чотири залишкові рівні.

Контурна гілка в основному складається з п’яти шарів згортки та чотирьох модулів вилучення контурної інформації. Шар згортки з тим самим параметром conv1, що й шар згортки, розміщується на передній частині гілки контуру, щоб виконати попереднє зменшення розмірності контурної карти. Ми додаємо модуль вилучення контурної інформації у вихідну позицію кожного залишкового шару ResNet-50 і розміщуємо шар згортки перед модулем вилучення контурної інформації. Вхідний розмір шару згортки дорівнює 1, вихідний розмір – 1, розмір ядра_=1, а розмір кроку – 2, який використовується для зменшення розмірності карти контурних об’єктів.

Метод навчання, використаний у нашому експерименті, такий самий, як і в більшості досліджень Re-ID. Функція втрат, яка використовується в експерименті, — це м’яка максимальна втрата та жорсткий вибірковий аналіз (тріхардна втрата) [28], які ми виражаємо як LID та LT відповідно. Після того, як магістраль отримує характерну карту, вона отримує характерний вектор через середній рівень об’єднання. Після того, як вектор проходить через шар BN, він обчислює функцію втрат LT, а її формула обчислення виглядає так:

де P представляє кількість ідентифікаторів осіб у пакеті, випадковим вибором K зображень для кожного ідентифікатора особи. A представляє опорну точку, p представляє позитивний зразок, а n представляє негативний зразок. А — набір позитивних проб, а В — набір негативних. maxda,p представляє найскладніший позитивний зразок, а maxda,n представляє найскладніший негативний зразок. означає маржу та має значення 0.3.

Функція втрат LID обчислюється за власним вектором, отриманим із виходу шару BN через лінійний шар. Формула розрахунку така:

4. Досліди

У цьому розділі ми доведемо ефективність запропонованого методу на основі експериментальних результатів. Тому ми розробили серію експериментів з абляції. Запропоновану модель буде перевірено на базах даних Market1501 і DukeMTMC-reID, щоб перевірити універсальність методу в цій статті. Порівнюючи наш метод із передовими методами досліджень Re-ID за останні роки, наш метод усе ще має певну конкурентоспроможність.

4.1. Набори даних і деталі впровадження

Ми вибрали два набори даних, які найчастіше використовуються в дослідженнях Re-ID для експериментів. Набір даних Market1501 [29] містить 1501 ідентифікатор різних пішоходів, 751 ідентифікатор пішохода в навчальному наборі та 750 ідентифікаторів пішохода в тестовому наборі із загальною кількістю 32 217 зображень. Набір даних DukeMTMC-reID [30] містить 1812 різних ідентифікаторів пішоходів, 702 ідентифікатори пішоходів у навчальному наборі та 1110 ідентифікаторів пішоходів у тестовому наборі. Серед них ми в основному посилаємося на експеримент з абляції з наборами даних Market1501 і DukeMTMC-reID. В експерименті ми використовуємо модель RCF, щоб отримати контур із набору даних і створити набір даних контуру пішохода.

Перед навчанням мережі ми виконаємо операції покращення даних на оригінальних зображеннях RGB і контурних зображеннях пішоходів, включаючи випадкове відсікання, горизонтальне перевертання та інші поширені операції покращення зображення, а для уніфікації різних наборів даних ми налаштовуємо вхідні зображення на 256 × 128 пікселів. У процесі навчання ми використовуємо оптимізатор Адама, щоб встановити швидкість навчання 8 × 10−4, швидкість розпаду ваги 5 × 10−4, навчальний цикл 600 і розмір партії 32. Після навчання ми не використовували такі методи, як переранжування для оптимізації сортування. На етапі тестування ми використовували сукупні характеристики відповідності (CMC) [31] рангу 1 і середню середню точність (mAP) [29] для оцінки продуктивності, як і більшість досліджень Re-ID.

4.2. Абляційне дослідження

4.2.1. Необхідність контурної інформації

У двох різних базових моделях ми безпосередньо використовуємо контурну карту пішоходів як карту функцій, щоб вбудувати її в середній рівень мережі та назвати її методом контурного вбудовування (CEM). Ці дві різні базові моделі називаються baseline1 і baseline2. Baseline1 є слабкою базовою моделлю, її магістральною мережею є ResNet-50, а операція зменшення розмірності останнього залишкового рівня зарезервована. Використовуйте попередньо навчені параметри на ImageNet перед навчанням мережі. Базова лінія 2 – це сильна базова модель. Його магістральною мережею є ResNet-50, яка усуває операцію зменшення розмірів останнього залишкового шару. Перед навчанням мережа використовує попередньо навчені параметри, які більше підходять для дослідження Re-ID. Конкретна операція полягає у вбудовуванні контурної карти пішоходів у вихідну позицію чотирьох залишкових шарів ResNet-50 шляхом додавання на рівні елемента після зменшення розмірності через шар згортки, щоб переконатися, що мережа CNN ігнорує інформацію про контури в процесі вилучення ознак зображення. У таблиці 1 наведено експериментальні дані нашого слабкішого базового рівня1, базового1-CEM, потужнішого базового рівня2 та базового{15}}CEM, ми можемо отримати такі спостереження:

1. У нашому дослідженні Re-ID мережі CNN бракує виділення контурних ознак і вираження контурної інформації. Це можна побачити з порівняння базового рівня 1 і базового рівня1+CEM. Хоча кінцевий рівень розпізнавання не дуже високий, ефект від додавання контурної карти очевидний. Наприклад, у наборі даних Market1501 базова лінія1, додана за допомогою CEM, на 0,8% вища на карті та на 1,3% вища за рейтингом-1, ніж вихідна;

2. Для потужної базової лінії 2, можливо, через оптимізацію попередньо навчених параметрів мережі, метод CEM не може покращити кінцеву швидкість розпізнавання мережі, а метод безпосереднього використання контурної карти не може ефективно змусити мережу CNN звернути увагу до більшої кількості контурної інформації, це навіть знизить вихідну ефективність розпізнавання. Щоб змусити мережу звертати увагу на інформацію про контури на сильній базовій лінії, пропонується модуль вилучення інформації про контури.

4.2.2. Виберіть позицію для додавання CIEM
З характеристик існуючої згорткової нейронної мережі, ребра, контури та інша інформація про особливості, що міститься на зображенні, є неглибокими виразами ознак, і результати візуалізації карт функцій кожного шару мережі CNN також однакові. Тому необхідні наступні експерименти, щоб перевірити, куди розмістити модуль вилучення контурної інформації та як ним користуватися. Ми використаємо модуль вилучення контурної інформації в вихідних позиціях чотирьох залишкових шарів ResNet-50 і назвемо ці чотири позиції L1-L4. Експериментальні результати наведені в таблиці 2, і ми можемо отримати наступні спостереження.

Метод використання модуля вилучення контурної інформації суттєво відрізняється від спекуляції перед експериментом. З експериментальних даних, коли ми додаємо модуль вилучення контурної інформації лише після перших трьох залишкових шарів, покращення експериментальних результатів не є очевидним. Взявши як приклад набір даних Market1501, кінцевий ранг 1 модуля вилучення контурної інформації, що використовується в місцях виведення L1 і L2, становить 94,3%, а остаточний ранг 1 модуля вилучення контурної інформації, який використовується в місцях виведення L1, L2 і L3 становить 94,5%; ефект розпізнавання цих двох методів кращий, ніж у базової моделі, але покращення невелике, а результати схожі. Коли модуль виділення контурної інформації використовується після чотирьох залишкових шарів, остаточний ефект розпізнавання мережі становить 83,8% на ранзі 1 і 95,1% на карті, що значно покращено порівняно з першими двома, а також перевищує базову модель, яку ми використовувати. Таким чином, ми отримуємо остаточну модель архітектури цієї статті.

По-перше, порівняно з базовою моделлю, наш метод все ще може покращити кінцевий ефект розпізнавання на дуже потужній базовій моделі; беручи як приклад набір даних Market1501, наш метод на 1,7% вищий за базову модель у mAP і на 1,3% вищий за базову модель у Rank-1. Крім того, порівняно з класичними алгоритмами Re-ID, такими як SVDNet, PCB тощо, наш метод показав сильну конкурентну перевагу та має абсолютні переваги в mAP і Rank-1, двох часто використовуваних показниках. У порівнянні з деякими більш просунутими методами, запропонованими в останні роки, наш метод певною мірою має свої переваги. У відповідних експериментах на наборі даних Market1501 наш метод має певну перевагу в індикаторі Rank-1, наприклад, порівняно з BoT, DGNet та іншими методами, наш метод все ще має перевагу приблизно на 0,5%. З точки зору показника mAP, наш метод все ще порівнянний з більшістю, але все ж є певний розрив порівняно з DG-Net. У наборі даних DukeMTMC-reID результати, представлені цим методом, залишаються незмінними. Наш метод має певні переваги перед іншими методами з точки зору індексу оцінки Rank-1, але він не є задовільним з точки зору mAP, що також є напрямом наших наступних досліджень і вдосконалень. В іншому наш метод не використовує технологію реранжування, але порівняно з іншими методами, що використовують технологію реранжування, такими як cam and dare, наш метод все ж має певні переваги.

5. Висновки

У цій статті ми пропонуємо метод Re-ID, заснований на вбудовуванні контурної інформації. Враховуючи ідею механізму уваги та зв’язок між картою ознак CNN і контурною картою, побудовано модуль вилучення контурної інформації. Ми використовуємо ResNet-50, який найчастіше використовується в дослідженнях Re-ID, як магістральну мережу, а також використовуємо модуль вилучення контурної інформації в вихідному положенні залишкового шару, щоб мережа могла приділяти більше уваги контуру інформація в процесі вилучення ознак. Наш метод є проривом, який намагається використовувати контурну інформацію, і він все ще може досягти дуже хорошого ефекту розпізнавання на дуже потужній базовій мережі. Використання контурної інформації не обмежується цим, і ми сподіваємося, що буде більше досліджень контуру пішохода в області розпізнавання пішоходів.

Авторські внески:

Концептуалізація, HC та YZ; методологія, ХК; перевірка, HC, YZ і SW; формальний аналіз, SW; розслідування, SW; ресурси, YZ і SW; курація даних, HC; письмо—оригінал чернетки, НС; написання — рецензування та редагування, YZ та SW Усі автори прочитали та погодилися з опублікованою версією рукопису.

Фінансування:

Ця робота підтримана Національним фондом природничих наук Китаю (№ 61631009, № 61771220) і Національною ключовою програмою досліджень і розробок Китаю (№ 2017YFB1002900, № 2017YFB0404800).

Заява інституційної ревізійної ради:

Не застосовується.

Заява про інформовану згоду:

Не застосовується.

Заява про доступність даних:

Не застосовується.

Конфлікт інтересів:

Автори заявляють про відсутність конфлікту інтересів.

Список літератури

1. Є, М.; Шен, Дж.; Лін, Г.; Сян, Т.; Хой, С. Глибоке навчання для повторної ідентифікації людини: опитування та прогноз. IEEE Trans. Візерунок Анальний. мах. Intell. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Чжан Л.; Лі, В.; Ю, Л.; Сонце, Л.; Нін, X. GmFace: Явна функція для представлення зображення обличчя. Відображає 2021, 68, 102022. [CrossRef]

3. Ніу К.; Нан, Ф.; Wang, X. Модель генерації фронтального обличчя з надвисокою роздільною здатністю на основі 3DDFA та CBAM. Відображення 2021, 69, 102043. [CrossRef]

4. Руан, Л.Г.; Хан, YX; Сонце, JR; Чен, КК; Лі, Дж. К. Розпізнавання виразу обличчя в сценаріях оклюзії обличчя: багатомережний вибір шляху. Відображає 2022, 74, 102245. [CrossRef]

5. Чен, КВ; Лай, CC; Лі, Пі Джей; Чен, CS; Хуанг, Ю. П. Адаптивне навчання для відстеження цілі та виявлення справжнього з’єднання на кількох камерах, які не перекриваються. IEEE Trans. Мультимед. 2011, 13, 625–638. [CrossRef]

6. Хаміс, С.; Куо, CH; Сінгх, В.К.; Шет В.Д.; Девіс, Л. С. Спільне навчання для повторної ідентифікації особи відповідно до атрибутів. У матеріалах Європейської конференції з комп’ютерного зору, Цюріх, Швейцарія, 6–12 вересня 2014 р.; С. 134–146.

7. Ян, X.; Ван, М.; Тао, Д. Повторна ідентифікація особи з вивченням метрики з використанням привілейованої інформації. IEEE Trans. Обробка зображення. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Сонце, Ю.; Чжен, Л.; Ян, Ю.; Тянь, К.; Wang, S. Beyond Part Models: Person Retrieval with Refined Part Pooling. У матеріалах Європейської конференції з комп’ютерного зору, Мюнхен, Німеччина, 8–14 вересня 2018 р.; С. 501–518.

9. Чжао, Х.; Тянь, М.; Сонце, С.; Цзін, С.; Tang, X. Spindle Net: Повторна ідентифікація людини з декомпозицією та злиттям ознак області людського тіла. У матеріалах конференції IEEE 2017 з комп’ютерного бачення та розпізнавання образів (CVPR), Гонолулу, Гаваїт, США, 21–26 липня 2017 р.; С. 907–915.

10. Чжу, Дж.; Ян, Х.; Ван, Дж.; Чжан, В. Пошук осіб на основі опису з мережами багатогранних відповідностей. Відображення 2021, 69, 102039. [CrossRef]

11. Го, Н.; Ді, К.; Лю, Х.; Ван, Ю.; Qiao, J. Підхід до метанавчання, заснований на метриці, об’єднав механізм уваги та ансамблеве навчання для невеликого навчання. Дисп. технол. апл. 2021, 70, 102065. [CrossRef]

12. Гейрхос, Р.; Рубіш, П.; Міхаеліс, К.; Бетге, М.; Віхман, Ф.А.; Brendel, W. CNN, навчені ImageNet, схильні до текстури; збільшення ухилу форми покращує точність і міцність. У матеріалах Міжнародної конференції з репрезентації навчання, Новий Орлеан, Луїзіана, США, 6–9 травня 2019 р.

13. Цзян, З.; Юань, Ю.; Wang, Q. Мережа з урахуванням контурів для семантичної сегментації через адаптивну глибину. Нейрокомп’ютинг 2018, 284, 27–35. [CrossRef]

14. Вей, XL; Ху, BY; Гао, ТС; Ван, Дж.; Денг, Б. Багатомасштабна згорточна нейронна мережа для розпізнавання текстур. Відображає 2022, 75, 102324. [CrossRef]

15. Ру, Г.А.; Лей, М.А.; Jh, B.; Xc, C. T-GAN: структура глибокого навчання для прогнозування складних часових мереж із адаптивною згорткою графа та механізмом уваги. Показує 2021, 68, 102023.

For more information:1950477648nn@gmail.com