基于轻量多分支网络的行人重识别方法

摘要：

最新的行人重识别方法大都是基于卷积神经网络(CNN),虽然这些网络在分类或目标检测等多项任务中有着不错的表现,但这些方法大都侧重于图像最具辨别力的部分,忽视了其他的一些相关特征,而重识别任务需要更加丰富,具有多样性的特征.本文提出了一种基于OSNet(Omni-scale Network)的多分支网络结构,OSNet是一个轻量级的Re-ID模型,可将标准卷积分解为点卷积和深度卷积以便达到减少参数的目的.网络主干部分加入了注意力模块,可以抑制无用信息;而多分支的结构可以提取到更多样性的特征.该网络主要由全局分支、局部分支、顶部擦除分支和通道分支四个部分构成.全局分支用于提取图像的整体特征;局部分支能学习到细粒度的特征;顶部擦除分支通过擦除高激活性区域,使得网络更加关注于激活性较差的区域;通道分支使网络学习到更多与通道有关的信息.在Market-1501、CUHK03、DukeMTMC-reID三个公开数据集上的实验结果表明,本文提出的方法针对行人重识别问题有着优秀的性能表现.

关键词：行人重识别、神经网络、多分支网络、注意力模块、顶端擦除

所属期刊栏目：12

分类号：TP931.41

资助基金：国家自然科学基金;上海市自然科学基金;上海市教育委员会;上海市教育发展基金会晨光计划资助项目

在线出版日期：2022-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：103-110