基于特征金字塔分支和非局部关注的行人重识别

TP391; 关注全局轮廓和行人局部细节对现有行人重识别方法非常重要.为了能够提取这些更具代表性的特征,提出一种基于特征金字塔分支和非局部关注模块的行人重识别网络方法来提取行人全局和局部表征特征.该方法首先引入一种轻量级别的特征金字塔分支结构,从不同的网络层中提取特征,并且聚合成一个双向金字塔结构.其次为进一步提高行人重识别的精度,使用非局部关注模块提取全局特征,这样既能获取行人的全局信息,又能注重行人的局部细节,使两者最终融合的特征更具代表性.最后将不同层间的特征融合起来,并使用联合损失函数策略对网络模型进行训练,显著提高骨干网络的性能.通过在MSMT17、Market1501、DukeMT...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 38; no. 1; pp. 121 - 131
Main Authors 孙明浩, 王洪元, 吴琳钰, 张继, 周群颖
Format Journal Article
LanguageChinese
Published 常州大学计算机与人工智能学院/阿里云大数据学院/软件学院,常州213164 2023
Subjects
非局部关注
注意力机制
特征金字塔分支
行人重识别
联合损失函数策略
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2023.01.010

Cover

More Information
Summary:TP391; 关注全局轮廓和行人局部细节对现有行人重识别方法非常重要.为了能够提取这些更具代表性的特征,提出一种基于特征金字塔分支和非局部关注模块的行人重识别网络方法来提取行人全局和局部表征特征.该方法首先引入一种轻量级别的特征金字塔分支结构,从不同的网络层中提取特征,并且聚合成一个双向金字塔结构.其次为进一步提高行人重识别的精度,使用非局部关注模块提取全局特征,这样既能获取行人的全局信息,又能注重行人的局部细节,使两者最终融合的特征更具代表性.最后将不同层间的特征融合起来,并使用联合损失函数策略对网络模型进行训练,显著提高骨干网络的性能.通过在MSMT17、Market1501、DukeMTMC-ReID和PersonX四个公共行人重识别数据集上的大量实验,证明所提出的基于特征金字塔分支和非局部关注的方法相较于目前一些先进的行人重识别方法,具有一定的竞争力.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2023.01.010