基于通道注意力机制和多尺度卷积的行人重识别

针对真实环境中由于复杂背景和物体遮挡、角度变换、行人姿态变化带来的行人重识别(person re-identification,person re-ID) 问题,设计了基于通道注意力(efficient channel attention,ECA) 机制和多尺度卷积(poly-scale convolution,PSConv) 的行人重识别模型。首先利用残差网络提取全局特征,在网络末端加入基于ECA机制及PSConv的特征融合模块,将全局特征和该模块提取的全局特征进行融合,之后将新的全局特征进行分割得到局部特征,最后将新的全局特征和分割得到的局部特征融合得到最终特征,并计算损失函数。模型在Market1501和DukeMTMC-reID 数据集上进行实验验证。在Market1501数据集中,Rank-1和平均精度均值分别达到94.3%和85.2%,在DukeMTMC-reID数据集中,上述两参数分别达到86.3%和75.4%。实验结果可知,该模型可应对实际环境中的复杂情况,增强行人特征的辨别力,有效提高行人重识别的准确率和精度。     

基于残差网络的特征加权行人重识别研究

文章讨论了基于视频到视频的行人重识别的深度学习方法,提出的网络模型主要由特征表示子网络和相似性度量子网络两部分组成.首先利用残差网络提取视频的每帧图像的特征,再该特征输入到长短期记忆网络中获取时空特征,在长短期记忆网络层后添加权重模块,在该模块中使用帧质量注意力机制为视频的每一帧分配适当的权重.进一步将加权后的特征向量传入相似性度量子网络进行距离度量学习,在该框架中,将特征表示与相似性度量使用全连接层进行连接,同时学习和优化特征表示和相似度度量学习.最后在两个公共数据集上进行实验,通过一系列对比实验验证了该网络模型的能提高行人重识别准确率和性能.     

基于阶梯型特征空间分割与局部注意力机制的行人重识别

为了让网络捕捉到更有效的内容来进行行人的判别,该文提出一种基于阶梯型特征空间分割与局部分支注意力网络(SLANet)机制的多分支网络来关注局部图像的显著信息。首先,在网络中引入阶梯型分支注意力模块,该模块以阶梯型对特征图进行水平分块,并且使用了分支注意力给每个分支分配不同的权重。其次,在网络中引入多尺度自适应注意力模块,该模块对局部特征进行处理,自适应调整感受野尺寸来适应不同尺度图像,同时融合了通道注意力和空间注意力筛选出图像重要特征。在网络的设计上,使用多粒度网络将全局特征和局部特征进行结合。最后,该方法在3个被广泛使用的行人重识别数据集Market-1501,DukeMTMC-reID和CUHK03上进行验证。其中在Market-1501数据集上的mAP和Rank-1分别达到了88.1%和95.6%。实验结果表明,该文所提出的网络模型能够提高行人重识别准确率。     

基于二阶混合注意力的行人重识别

基于注意力机制的行人重识别方法更多利用图像中 一阶信息,忽略了特征中二阶信息 ,不能挖掘特征图之间的相关性和细粒度信息。提出一种基于二阶混合注意力的行人重 识别算法(second-order mixed attention module,SMAN)。二阶混合注意力模块(second-order mixed attention module,SOMA)由二阶通道注意力(second-order channel attention,SOCA)和二阶空间注意力模 块(second-order information,SOSA)组成,该方法将全局协方差池函数嵌入到SOCA和SOSA模块中,学习特征中二阶信息 。SOCA模块学习特征图之间相关性,SOSA模块则重新为特征图分配权重,关注特征图空间域 的细粒度信息。SMAN算法在Market-1501和 DukeMTMC-ReID数据集上的首位准确率分别 为 94.3%和87.1%,mAP分别达到85.7%和74.5%,同时使用类激活图验证SOMA模块的影响 ,实验表 明SMAN算法充分利用特征图的通道域和空间域中二阶信息。算法的性能优于现有的一些基于 注意力机制行人重识别方法,甚至接近某些优秀的方法。     

基于注意力评分函数的行人重识别研究

行人重识别也称跨境追踪,旨在弥补固定摄像头的视觉局限。针对行人图像容易出现遮挡、视觉与姿态的不同变化、光照变化等影响而出现难以区分行人的状况,最终导致行人重识别准确率低的问题,文章提出了一种使用点积得到计算效率更高的注意力评分函数进行检测的方法。实验结果表明,在注意力机制的加持下,该模型能够有效地增强行人图像特征等关键词的提取,进一步提高模型的鲁棒性,有效地满足实际需要。     

基于多尺度和注意力融合学习的行人重识别

行人重识别的关键依赖于行人特征的提取,卷积神经网络具有强大的特征提取以及表达能力。针对不同尺度下可以观察到不同的特征,该文提出一种基于多尺度和注意力网络融合的行人重识别方法(MSAN)。该方法通过对网络不同深度的特征进行采样,将采样的特征融合后对行人进行预测。不同深度的特征图具有不同的表达能力,使网络可以学习到行人身上更加细粒度的特征。同时将注意力模块嵌入到残差网络中,使得网络能更加关注于一些关键信息,增强网络特征学习能力。所提方法在Market1501, DukeMTMC-reID和MSMT17_V1数据集上首位准确率分别到了95.3%, 89.8%和82.2%。实验表明,该方法充分利用了网络不同深度的信息和关注的关键信息,使模型具有很强的判别能力,而且所提模型的平均准确率优于大多数先进算法。     

基于多样化局部注意力网络的行人重识别

针对现实场景中行人图像被遮挡以及行人姿态或视角变化造成的未对齐问题,该文提出一种基于多样化局部注意力网络(DLAN)的行人重识别(Re-ID)方法。首先,在骨干网络后分别设计了全局网络和多分支局部注意力网络,一方面学习全局的人体空间结构特征,另一方面自适应地获取人体不同部位的显著性局部特征;然后,构造了一致性激活惩罚函数引导各局部分支学习不同身体区域的互补特征,从而获取行人的多样化特征表示;最后,将全局特征与局部特征集成到分类识别网络中,通过联合学习形成更全面的行人描述。在Market1501, DukeMTMC-reID和CUHK03行人重识别数据集上,DLAN模型的mAP值分别达到了88.4%, 79.5%和74.3%,Rank-1值分别达到了95.1%, 88.7%和76.3%,明显优于大多数现有方法,实验结果充分验证了所提方法的鲁棒性和判别能力。     

基于注意力机制与局部关联特征的行人重识别北大核心CSCD

由于行人在真实场景下易受到背景、遮挡、姿态等问题的影响,为获取行人图像中更具辨别能力的特征,提出一种基于注意力机制和局部关联特征的行人重识别方法。首先,在网络框架中嵌入注意力模块以关注图像中表达能力强的特征;然后,利用图像中相邻区域的关联得到局部关联特征,并结合全局特征。本文方法在Market1501和DukeMTMC-ReID数据集上进行实验,Rank-1指标分别达到了95.3%和90.1%。结果证明,本文方法能充分获取判别力强的特征信息,使模型具有较强的识别能力。     

基于注意力机制的多级特征级联行人重识别

针对现有行人重识别算法因细节信息关注不足导致的判别性不强问题,提出了一种基于注意力机制的多级特征级联行人重识别算法.首先,通过级联不同深度的特征实现对不同层级特征的充分利用,以补充高层级特征中的细节信息.然后,引入一对互补的注意力机制模块,以融合特征图中相似的像素及通道,弥补特征中的空间位置信息,提高特征的判别性.最后,在Market-1501、DukeMTMC-ReID、CUHK03数据集上进行了大量实验.结果 表明,本算法的识别精度和平均准确率优于大多数当前的主流算法.     

基于注意力机制的多级特征级联行人重识别

针对现有行人重识别算法因细节信息关注不足导致的判别性不强问题,提出了一种基于注意力机制的多级特征级联行人重识别算法.首先,通过级联不同深度的特征实现对不同层级特征的充分利用,以补充高层级特征中的细节信息.然后,引入一对互补的注意力机制模块,以融合特征图中相似的像素及通道,弥补特征中的空间位置信息,提高特征的判别性.最后,在Market-1501、DukeMTMC-ReID、CUHK03数据集上进行了大量实验.结果 表明,本算法的识别精度和平均准确率优于大多数当前的主流算法.     

基于多粒度特征融合网络的行人重识别

行人重识别旨在跨监控设备下检索出特定的行人目标.为捕捉行人图像的多粒度特征进而提高识别精度,基于OSNet基准网络提出一种多粒度特征融合网络(Multi-granularity Feature Fusion Network for Person Re-Identi-fication,MFN)进行端对端的学习.MFN由全...     

基于PCB特征加权的行人重识别算法

为充分挖掘行人重识别特征,最近流行的PCB算法给出了一种特征均匀分块并通过RPP网络对齐特征的方法。PCB算法充分发挥了局部特征的作用,有效提高了行人重识别的准确率。为进一步提高行人重识别的性能,本文基于全局特征与局部特征对网络性能的影响差异提出了一种特征加权的PCB行人重识别算法。在典型的行人识别数据库Market1501、DukeMTMC-Reid上的实验结果表明:所提算法具有更好的首中准确率（Rank1）和平均准确率（mAP）;相比与经典的PCB+RPP算法,所提算法在Market1501数据集上Rank1提高了0.8%,mAP提高了4.5%;在DukeMTMC-Reid数据集上Rank1提高了5.5%,mAP提高了约7%。      

适于行人重识别的二分支EfficientNet网络设计

鉴于ResNet的强大表达能力,其在行人重识别领域获得了广泛的应用。虽然基于ResNet50构建的行人重识别网络取得了优异的性能,但流行的ResNet50仍存在模型体积大、效率低等局限性。与之相比,EfficientNet作为一种新兴的深度模型,具有设计合理、运行高效等特点,并在ImageNet数据集上有着更出色的性能表现。为此,本文尝试将EfficientNet系列网络引入到行人重识别领域,替代比较流行的ResNet50主干网络,提供了一个全新的骨干网基线。本文重点根据EfficientNet系列网络给出一种二分支行人重识别网络构造。相比于ResNet50,基于EfficientNet构造的二分支行人重识别网络具有网络参数规模小、性能提升明显的特点。实验结果表明:所构造的网络在行人重识别流行数据集上均有良好的表现。      

LRHW-AP: Using ranking-based metric as loss for Person Re-Identification

Optimizing a ranking-based metric as the loss function, such as Average Precision (AP), has been found very effective in image retrieval tasks, but it has received less attention in Person Re-Identification (Re-ID). In this paper, Low Rank High Weight (LRHW) AP is proposed to apply the AP-optimizing method on the Re-ID task. LRHW-AP employs high weight on the low rank positive instances, which provides more information for model optimization than high rank positive instances and distribute in high gradient area. We propose a new pooling method called Power Activation Weighted Mean (PAWM) pooling which can unify a set of pooling methods because of a changeable activation function and a trainable parameter. Thus one can adjust and train PAWM to adapt to the target task to improve the model performance. Besides, we incorporate Warmup and Exponentially Decay Scheduler with a delay period, called Warmup Delay Exponentially Decay Scheduler, which brings further improvement. Through an extensive set of ablation studies, we verify that all methods mentioned above contribute to the performance boosts on Re-ID and the model achieves 95.3% rank-1 and 88.4% mAP on Market1501 with ResNet50.