少许注意力机制即可满足行人重识别需求

当移动机器人需要长时间跟踪其用户（即使他们暂时未被观测到）以跟随用户或按需提供服务时，行人重识别起着关键作用。在此背景下，移动机器人上的基于深度学习的实时特征提取通常在专用设备上执行，其计算资源需由多项任务共享。因此，必须考虑推理速度。相比之下，行人重识别常通过架构改动来提升性能，却显著拖慢推理速度。注意力块便是其中一例。我们将展示，当前最先进的一些性能良好的注意力块其推理开销过高，难以证明其用于移动机器人应用的合理性。为此，我们提出了一种注意力块，仅轻微影响推理速度，同时在重识别精度上可与更深网络或更复杂注意力块相媲美。我们进行了广泛的神经架构搜索，以得出该注意力块应集成于架构中哪些位置的规则，从而实现速度与精度的最佳权衡。最后，我们证实了在重识别基准上表现最优的配置同样在室内机器人数据集上表现良好。