用于行人重识别的二阶非局部注意力网络
计算机视觉与模式识别
2019-09-10 v1 人工智能
机器学习
摘要
近期的努力通过设计基于部件的架构，使神经网络从语义连贯的部件中学习判别性表示，在行人重识别上取得了有前景的结果。一些方法使用软注意力将远距离离群点重新分配到最相似的部件，而另一些方法调整部件粒度以纳入更多远距离位置来学习关系。还有方法试图通过在特征图的连续区域上引入 dropout 机制来增强远距离区域关系，从而推广基于部件的方法。然而，先前仅有少数工作直接对特征图的远距离或非局部位置进行建模以用于行人重识别任务。本文中，我们提出一种新颖的注意力机制，通过二阶特征统计量直接建模长程关系。当与广义 DropBlock 模块结合时，我们的方法在包括 Market1501、CUHK03 和 DukeMTMC-reID 在内的主流行人重识别数据集上达到或优于最先进（state-of-the-art）结果。
引用
@article{arxiv.1909.00295,
title = {Second-order Non-local Attention Networks for Person Re-identification},
author = {Bryan and Xia and Yuan Gong and Yizhe Zhang and Christian Poellabauer},
journal= {arXiv preprint arXiv:1909.00295},
year = {2019}
}
备注
ICCV 2019