用于行人重识别的深度注意力感知特征学习
计算机视觉与模式识别
2022-08-10 v1 机器学习
摘要
视觉注意力已被证明能有效提升行人重识别的性能。大多数现有方法启发式地应用视觉注意力，通过学习额外的注意力图来重新加权特征图以进行行人重识别。然而，这类方法不可避免地增加了模型复杂度和推理时间。本文中，我们提出将注意力学习作为行人重识别网络中的附加目标，而不改变原有结构，从而保持相同的推理时间和模型大小。我们考虑了两种注意力，使学到的特征图分别感知行人和相关身体部位。在全局上，整体注意力分支（HAB）使骨干网络获得的特徵图聚焦于行人，从而减轻背景的影响。在局部上，部分注意力分支（PAB）使提取的特征解耦为若干组并分别负责不同身体部位（即关键点），从而提升对姿态变化和局部遮挡的鲁棒性。这两种注意力具有通用性，可嵌入现有 ReID 网络。我们在两个典型网络（TriNet 和 Bag of Tricks）上测试了其性能，并在五个广泛使用的数据集上观察到显著的性能提升。
引用
@article{arxiv.2003.00517,
title = {Deep Attention Aware Feature Learning for Person Re-Identification},
author = {Yifan Chen and Han Wang and Xiaolu Sun and Bin Fan and Chu Tang},
journal= {arXiv preprint arXiv:2003.00517},
year = {2022}
}