融合多分辨率特征与混合注意力引导网络的人员重识别
计算机视觉与模式识别
2021-06-08 v2
摘要
提取有效且具判别力的特征对解决具有挑战性的人员重识别（re-ID）任务非常重要。主流的深度卷积神经网络（CNNs）通常使用高层特征来识别行人。然而，由于训练阶段大量的填充与池化操作，一些存在于低层特征中的本质空间信息（如形状、纹理和颜色）在学习高层特征时会丢失。此外，大多数现有人员re-ID方法主要基于手工边界框，其中图像被精确对齐。这在实际应用中不现实，因为所用的目标检测算法常产生不准确的边界框。这将不可避免地降低现有算法的性能。为解决这些问题，我们提出了一种新颖的人员re-ID模型，融合高、低层嵌入以减少学习高层特征时的信息损失。然后我们将融合嵌入划分为若干部分并重新连接，以获得全局特征及更显著的局部特征，从而缓解不准确边界框带来的影响。此外，我们还在模型中引入了空间与通道注意力机制，旨在挖掘与目标更相关的判别特征。最后，我们重构特征提取器以确保模型能获得更丰富且鲁棒的特征。大量实验显示了我们的方法相较现有方法的优越性。我们的代码见 https://github.com/libraflower/MutipleFeature-for-PRID。
引用
@article{arxiv.2009.07536,
title = {Hybrid-Attention Guided Network with Multiple Resolution Features for Person Re-Identification},
author = {Guoqing Zhang and Junchuan Yang and Yuhui Zheng and Yi Wu and Shengyong Chen},
journal= {arXiv preprint arXiv:2009.07536},
year = {2021}
}
备注
11 pages, 8 figures, 66 conferences