面向行人重识别的无参数空间注意力网络
计算机视觉与模式识别
2018-11-30 v1
摘要
全局平均池化(GAP)可定位用于识别的判别性信息[40]。尽管GAP有助于卷积神经网络关注物体最具判别性的特征，但当该信息缺失（例如因相机视角变化）时可能表现不佳。为规避此问题，我们认为通过对高级特征间空间关系建模来关注物体的全局构型是有利的。我们提出一种基于新型无参数空间注意力层的行人重识别(Person Re-Identification)架构，该层将特征图激活间的空间关系引入回模型。我们的空间注意力层持续提升了无此层模型的性能。在四个基准上的结果表明我们的模型优于最先进(state-of-the-art, SOTA)方法，在Market-1501上取得94.7%的rank-1准确率，在DukeMTMC-ReID上89.0%，在CUHK03-labeled上74.9%，在CUHK03-detected上69.7%。
引用
@article{arxiv.1811.12150,
title = {Parameter-Free Spatial Attention Network for Person Re-Identification},
author = {Haoran Wang and Yue Fan and Zexin Wang and Licheng Jiao and Bernt Schiele},
journal= {arXiv preprint arXiv:1811.12150},
year = {2018}
}