具有多尺度深度监督的注意力深度模型用于行人重识别
计算机视觉与模式识别
2024-10-30 v3 机器学习
摘要
近年来，行人重识别（PReID）因其在智能监控中的重要地位而成为计算机视觉领域的热点。许多 SOTA 的 PReID 方法为基于注意力或多尺度特征学习的深度模型。然而，引入注意力机制可能导致部分重要特征信息丢失。此外，多数多尺度模型将多尺度特征学习块嵌入特征提取深度网络，降低了推理网络效率。为解决这些问题，本文提出一种带多尺度深度监督的注意力深度架构用于 PReID。技术上，我们贡献了一个反向注意力块以补充注意力块，以及一种带深度监督算子的新颖多尺度层用于训练骨干网络。所提块与算子仅用于训练，在测试阶段丢弃。在 Market-1501、DukeMTMC-reID 与 CUHK03 数据集上进行了实验。所有实验结果表明，所提模型显著优于其他具竞争力的 SOTA 方法。
引用
@article{arxiv.1911.10335,
title = {Attention Deep Model with Multi-Scale Deep Supervision for Person Re-Identification},
author = {Di Wu and Chao Wang and Yong Wu and De-Shuang Huang},
journal= {arXiv preprint arXiv:1911.10335},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication