面向行人重识别的分层双向特征感知网络
计算机视觉与模式识别
2020-08-11 v1
摘要
以往的行人重识别（Re-ID）模型旨在关注图像最具判别力的区域，而当该区域因相机视角变化或遮挡而缺失时，其性能可能受损。为解决此问题，我们提出一种名为分层双向特征感知网络（HBFP-Net）的新模型，以关联多层次信息并相互增强。首先，通过低秩双线性池化对跨层特征对的关联图进行建模。然后，基于关联图，采用双向特征感知（BFP）模块来丰富高层特征的注意力区域，并学习低层特征中的抽象与特定信息。接着，我们提出一种新颖的端到端分层网络，其整合多层次增强特征，并将增强后的低层与中层特征输入后续层以重新训练一个强大的新网络。此外，我们提出一种新颖的可训练广义池化，可动态选择特征图中所有位置任意值进行激活。在包括 Market-1501、CUHK03 和 DukeMTMC-ReID 的主流评估数据集上的大量实验表明，我们的方法优于近期 SOTA Re-ID 模型。
引用
@article{arxiv.2008.03509,
title = {Hierarchical Bi-Directional Feature Perception Network for Person Re-Identification},
author = {Zhipu Liu and Lei Zhang and Yang Yang},
journal= {arXiv preprint arXiv:2008.03509},
year = {2020}
}
备注
Accepted by ACM MM2020