基于区域稀疏注意力网络的行人再辨识方法研究

发布时间：2024-02-23 22:33

　　行人再辨识可应用于刑探侦查、社会安保等领域。已有许多行人再辨识方法被提出,主要分为两大类:基于人工设计特征的行人再辨识方法和基于深度学习的行人再辨识方法。早期行人再辨识一般采用基于人工设计特征的方法,其算法理论性强且计算量小,但由于此类特征需由人工设计,因此成本较高且易忽略行人特征。近年来深度学习方法的快速发展,为行人再辨识的应用提供了新的契机。将深度学习与行人再辨识结合,在免去大量人工成本的同时,可以使机器自动地去学习和优化行人特征,从而提高行人再辨识算法的性能。但由于行人照片的分辨率较低,且进行深度学习时,特征图尺寸不断变小的过程中会损失大量可用信息。鉴于人工设计特征与深度学习在行人再辨识已经取得的瞩目成绩,本文融合上述两个研究方向,提出了可用于行人再辨识的区域稀疏注意力网络,该网络通过采用随机区域批量遮挡的数据增强方法,以及嵌入了稀疏注意力机制这两种算法,可以有效避免卷积过程中必要的信息损失,主要方法如下:1)嵌入稀疏注意力的压缩激活网络。该网络是由压缩激活网络改进而来。首先将压缩激活网络中的压缩激活模块提取出来,对其进行归一化处理,由此生成注意力模块:归一化的压缩激活模块;然后...

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

图2.2线性卷积层和多层感知器的对比

10其中n[1,N]，N是感知器的层数，0i,j,:a等同于i,jx。在感知器层中，将11卷积放在传统卷积层之后，1×1卷积等价于ReLU所继承的跨通道的池化运算。因此，多层感知器也可以看作是正常卷积层上的多级跨通道池化。最后，应用全局平均池化对最终层的特征图在空间维度进行平均运....

图4.4行人特征图分割数目效果对比图

32那么，特征图尺寸大小为何值时对特征图进行分割最为恰当呢？在输入图片尺寸确定的情况下，特征图尺寸大小由模型的主干网络中空间下采样率决定。研究表明，降低主干网络的下采样率能有效地丰富特征信息，因此本文取消了骨干网中最后一层的空间下采样操作，而在网络最后扩大输出特征图的大校这样在几....

图4.5多任务学习输入全局局部融合

34相比，局部特征图中行人具有更精确和更清晰的轮廓。一个合理的解释是，通过遮挡相同的大致对齐的区域，我们加强了其余部分的特征学习与语义相关性的表达，其在数据集Market-1501上具体性能对比如表4.6所示。表4.6多任务学习中模型各分支及融合性能分支mAP（%）Top-1（%....

本文编号：3908085