用于行人重识别的协作注意力网络
计算机视觉与模式识别
2020-09-09 v2
摘要
联合利用全局与局部特征以提高模型精度正成为行人重识别（ReID）问题中的一种流行方法，因为以往仅使用全局特征的工作在提取所获得特征表示中具判别性的局部模式方面能力非常有限。现有尝试收集局部模式的工作要么以手工方式将全局特征显式切分为若干局部块，要么应用注意力机制隐式推断不同局部区域的重要性。本文中，我们表明通过显式学习小局部部分及部分组合的重要性，可进一步改进 Re-ID 的最终特征表示。具体而言，我们首先以提出多分支结构将全局特征在不同尺度上分离为多个局部切片。然后我们引入协作注意力网络（CAN）来自动学习相邻切片特征的组合同。以此方式，该组合保持了跨局部区域与尺度的相邻特征间的内在关联，且不因划分全局特征而丢失信息。在包括 Market-1501、DukeMTMC-ReID 和 CUHK03 在内的数个广泛使用的公开数据集上的实验结果表明，所提方法优于许多现有的最先进方法。
引用
@article{arxiv.1911.13008,
title = {Collaborative Attention Network for Person Re-identification},
author = {Wenpeng Li and Yongli Sun and Jinjun Wang and Han Xu and Xiangru Yang and Long Cui},
journal= {arXiv preprint arXiv:1911.13008},
year = {2020}
}