基于残差注意和非对称损失的行人属性识别

针对目前行人属性识别存在着复杂样本识别精度较低和属性数据集中属性分布不平衡的问题，本文提出一种基于残差注意的行人属性识别网络。该网络采用Resnet50作为骨干网络提取出具有语义信息的行人属性特征，并采用属性类别残差注意网络结构关注属性存在的关键区域且挖掘不同属性类别之间的内部联系。同时采用归一化和非对称的加权损失策略降低行人属性样本分布不平衡的影响，加快模型收敛速度并提高属性识别精度。在行人属性公共数据集PETA和PA100K上进行实验，实验结果表明，该方法在公共数据集PETA上获得的平均识别精度为87.32%,在公共数据集PA100K上可以获得79.75%的识别精度，与其他行人属性识别方法相比具有明显优势。