用于行人重识别的像素级图注意力网络
计算机视觉与模式识别
2023-07-19 v1
摘要
图卷积网络(GCN)被广泛用于处理不规则数据,因为它利用图的结构信息更新节点特征。借助迭代 GCN,可获得高阶信息以进一步增强节点的表示。然而,如何将 GCN 应用于结构化数据(如图像)尚未被深入研究。在本文中,我们探索图注意力网络(GAT)在图像特征提取中的应用。首先,我们提出一种新颖的图生成算法,通过矩阵变换将图像转换为图。它比基于 K 近邻(KNN)的算法快一个数量级。然后,在生成的图上使用 GAT 更新节点特征。从而获得了更鲁棒的表示。这两步组合成一个称为像素级图注意力模块(PGA)的模块。由于我们的图生成算法所得的图在处理后仍可变换回图像,PGA 可与 CNN 良好结合。基于这两个模块,我们参考 ResNet 设计了一个像素级图注意力网络(PGANet)。PGANet 被应用于 Market1501、DukeMTMC-reID 和 Occluded-DukeMTMC 数据集上的行人重识别任务(在 mAP 分数上分别优于最先进水平 0.8%、1.1% 和 11%)。实验结果表明其达到了最先进的性能。\href{https://github.com/wenyu1009/PGANet}{代码见此处}。
引用
@article{arxiv.2307.09183,
title = {Pixel-wise Graph Attention Networks for Person Re-identification},
author = {Wenyu Zhang and Qing Ding and Jian Hu and Yi Ma and Mingzhe Lu},
journal= {arXiv preprint arXiv:2307.09183},
year = {2023}
}