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。     

基于全局特征和多种局部特征的行人重识别

能否提取具有区别度的行人特征是行人重识别问题的关键所在.该文在ResNet-50的基础上,提出一种使用多种方法提取特征的多分支网络结构(MMNet).该网络将多种方法以一种巧妙的方式组合起来,从而解决行人姿态变化、部分遮挡等引起的行人判别特征信息缺失问题.在第一个分支中提取行人的全局特征,在第二个分支中使用通道注意力模...     

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。     

融合人体姿态估计与非局部注意力机制的遮挡行人重识别

本文提出一种基于姿态估计模型与非局部注意力机制的遮挡行人重识别方法,利用姿态估计器获得图像中的非遮挡局部人体,并引入非局部注意力机制解决特征的长距离依赖问题,使得网络的关注度集中在非遮挡部分,实现遮挡场景下的精确行人重识别任务。通过实验验证了本文所提出方法在遮挡数据集上取得了先进的表现。     

基于跨纬度交互注意力机制的行人重识别方法

为解决由行人姿态、环境等复杂因素导致的行人特征表达能力弱、识别率低等问题,本文通过对AlignedReID++模型进行改进,提出了基于跨纬度交互注意力机制的行人重识别方法.首先,在特征提取部分,将跨纬度交互注意力Triplet At?tention模块嵌入到ResNet50网络中,捕获空间维度和通道维度之间跨纬度的交互...     

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。     

Multiscale Global-Aware Channel Attention for Person Re-identification

Most person re-identification methods are researched under various assumptions. However, viewpoint variations or occlusions are often encountered in practical scenarios. These are prone to intra-class variance. In this paper, we propose a multiscale global-aware channel attention (MGCA) model to solve this problem. It imitates the process of human visual perception, which tends to observe things from coarse to fine. The core of our approach is a multiscale structure containing two key elements: the global-aware channel attention (GCA) module for capturing the global structural information and the adaptive selection feature fusion (ASFF) module for highlighting discriminative features. Moreover, we introduce a bidirectional guided pairwise metric triplet (BPM) loss to reduce the effect of outliers. Extensive experiments on Market-1501, DukeMTMC-reID, and MSMT17, and achieve the state-of-the-art results on mAP. Especially, our approach exceeds the current best method by 2.0% on the most challenging MSMT17 dataset.     

基于新型三元卷积神经网络的行人再辨识算法

基于三元卷积神经网络的行人再辨识算法多数采用欧式距离度量行人之间的相似度,并配合铰链(hinge)损失函数进行卷积神经网络的训练。然而,这种作法存在两个不足：欧式距离作为行人相似度,鉴别力不够强;铰链损失函数的间隔(Margin)参数设定依赖于人工预先设定且在训练过程中无法自适应调整。为此,针对上述两个不足进行改进,该文提出一种基于新型三元卷积神经网络的行人再辨识算法,以提高行人再辨识的准确率。首先,提出一种归一化混合度量函数取代传统的度量方法进行行人相似度计算,提高了行人相似度度量的鉴别力;其次,提出采用Log-logistic函数代替铰链函数,无需人工设定间隔参数,改进了特征与度量函数的联合优化效果。实验结果表明,所提出的算法在Auto Detected CUHK03 和VIPeR两个数据库上的准确率均获得显著的提升,验证了所提出算法的优越性。     

基于支持样本间接式的行人再识别

行人再识别就是在无重叠视域多摄像机监控系统中,识别出相同的行人。针对来自于不同摄像头行人图片存在着视角、光照和尺度变化的问题。该文提出了基于支持样本间接式匹配的行人再识别方法。该算法首先通过聚类的方法分别提取不同摄像头下的支持样本,当要对来自不同摄像头的行人进行匹配时,在距离测度的基础上利用支持样本分别判别出其所在摄像头下的行人类别,通过类别的对比判断是否为同一行人。该方法避免了不同摄像头下行人图片直接匹配,有效解决不同摄像头带来的视角、光照和尺度问题。实验结果表明该文的算法相比一些经典算法识别率有一定的提高,并且在数据集VIPeR, CAVIAR4ReID和CUHK01上,Rank1分别达到了43.60%, 41.36%, 43.82%。     

一种基于等距度量学习策略的行人重识别改进算法

为了提高行人重识别距离度量MLAPG算法的鲁棒性,该文提出基于等距度量学习策略的行人重识别Equid-MLAPG算法。 MLAPG算法中正负样本对在映射空间的分布不均衡导致间距超参数受负样本对距离影响更大,因此该文设计的Equid-MLAPG算法要求正样本对映射成为变换空间中的一个点,即正样本对在变换空间中距离为零,使算法收敛时正负样本对距离分布不存在交叉部分。实验表明Equid-MLAPG算法能在常用的行人重识别数据集上取得良好的实验效果,具有更好的识别率和广泛的适用性。

     

结合一阶和二阶空间信息的行人重识别

针对行人重识别中行人检测误差引起的空间错位,基于局部的深度网络模型仅学习相邻局部关系,导致远距离局部相关性缺失,因此,提出了一种结合一阶和二阶空间信息的行人重识别算法.在主干网络上,学习一阶空间掩模对输入图像的空间权值进行微调,以减少背景干扰;通过二阶空间掩模对远距离的依赖关系进行建模,并将局部特征集成到依赖模型中,以...     

基于行人属性分级识别的行人再识别

为了提高行人再识别算法的识别效果,该文提出一种基于注意力模型的行人属性分级识别神经网络模型,相对于现有算法,该模型有以下3大优点：一是在网络的特征提取部分,设计用于识别行人属性的注意力模型,提取行人属性信息和显著性程度;二是在网络的特征识别部分,针对行人属性的显著性程度和包含的信息量大小,利用注意力模型对属性进行分级识别;三是分析属性之间的相关性,根据上一级的识别结果,调整下一级的识别策略,从而提高小目标属性的识别准确率,进而提高行人再识别的准确率。实验结果表明,该文提出的模型相较于现有方法,有效提高了行人再识别的首位准确率,其中,Market1501数据集上,首位准确率达到了93.1%,在DukeMTMC数据集上,首位准确率达到了81.7%。     

一种结构化双注意力混合通道增强的跨模态行人重识别方法

在目前跨模态行人重识别技术的研究中,大部分现有的方法会通过单模态原始可见光图像或者对抗生成图像的局部共享特征来降低跨模态差异,导致在红外图像判别中由于底层特征信息丢失而缺乏稳定的识别准确率。为了解决该问题,该文提出一种结构化双注意力可交换混合随机通道增强的特征融合跨模态行人重识别方法,利用通道增强后的可视图像作为第三模态,通过图像通道可交换随机混合增强(I-CSA)模块对可见光图像进行单通道和三通道随机混合增强抽取,从而突出行人的姿态结构细节,在学习中减少模态间差异。结构化联合注意力特征融合 (SAFF)模块在注重模态间行人姿态结构关系的前提下,为跨模态表征学习提供更丰富的监督,增强了模态变化中共享特征的鲁棒性。在SYSU-MM01数据集全搜索模式单摄设置下Rank-1和mAP分别达到71.2%和68.1%,优于同类前沿方法。     

基于显著度融合的自适应分块行人再识别

针对基于分块匹配的行人再识别中对分块的规则和大小缺乏指导,以及不同分块间的区分度差异问题,该文提出基于显著度融合的自适应分块行人再识别方法。首先,利用启发式思想确定初始聚类中心,并根据图像内容自动确定分块的大小和数目。然后,利用归一化部分曲线下面积计算各块的图像间显著度,利用结构化支持向量机学习各块的图像内显著度,并融合两类显著度得到各块的权重作为匹配得分融合的依据。实验证明,在常用的行人再识别数据集上,该方法能取得较好的识别结果。