用于行人重识别的自注意力网格

本文提出一种注意力机制方案以改进行人重识别任务。受生物学启发，我们提出自注意力网格（SAG），利用图像的内部表示从高分辨率图像中发现最具信息量的部分。具体而言，给定输入图像，所提模型输入同一图像的两份拷贝，并由两个分支组成。上分支处理高分辨率图像并学习高维特征表示，下分支处理低分辨率图像并学习一个滤波注意力网格。我们在高维特征表示上对非重叠子区域施加最大滤波操作，再与第二个分支的输出逐元素相乘。随后第二个分支的特征图通过 softmax 操作进行加权以反映网格中各块的的重要性。我们的注意力模块帮助网络学习多个图像区域最具判别力的视觉特征，并经过专门优化以关注不同层次的特征表示。在三个大规模数据集上的大量实验表明，我们的自注意力机制显著改进了基线模型，并以较大优势优于多种当前最优（SOTA）模型。