SSPNet：尺度与空间先验引导的泛化可解释行人属性识别
计算机视觉与模式识别
2023-12-12 v1
摘要
基于全局特征的行人属性识别（PAR）模型在使用Grad-CAM进行属性响应分析时通常定位不佳，这对可解释性、泛化能力和性能有显著影响。以往的研究试图通过精细的模型设计来改善泛化和解释性，但往往忽略或未充分利用对PAR至关重要的有效先验信息。为此，我们提出了一种新颖的尺度与空间先验引导网络（SSPNet）用于PAR，主要由自适应特征尺度选择（AFSS）和先验位置提取（PLE）模块组成。AFSS模块学习为不同属性组提供合理的尺度先验信息，使模型能够关注不同语义粒度的特征图层次。PLE模块揭示潜在的属性空间先验信息，避免对无关区域的不必要关注，降低模型过拟合风险。具体而言，AFSS中的尺度先验通过特征金字塔的不同层自适应学习以达到最大精度，而PLE中的空间先验可以从不同粒度的局部特征（如图像块、人体姿态关键点和稀疏采样点）中揭示。此外，我们提出了一种新颖的基于IoU的属性定位度量，用于基于改进的Grad-CAM属性响应掩码的弱监督行人属性定位（WPAL）。在数据集内和跨数据集评估上的实验结果表明，我们的方法在平均准确率（mA）方面具有有效性。此外，在PCS数据集上的属性定位IoU方面也取得了优越性能。代码将在https://github.com/guotengg/SSPNet发布。
引用
@article{arxiv.2312.06049,
title = {SSPNet: Scale and Spatial Priors Guided Generalizable and Interpretable Pedestrian Attribute Recognition},
author = {Jifeng Shen and Teng Guo and Xin Zuo and Heng Fan and Wankou Yang},
journal= {arXiv preprint arXiv:2312.06049},
year = {2023}
}
备注
39 pages, 11 figures, Accepted by Pattern Recognition