基于多级注意力跳跃连接网络的行人属性识别

摘要：

行人属性识别易受视角、尺度和光照等非理想自然条件变化的影响,且某些细粒度属性识别难度较大.为此,提出一种多级注意力跳跃连接网络MLASC-Net.在网络中间层,利用敏感注意力模块在通道及空间维度上对原特征向量进行筛选加权,设计多级跳跃连接结构来融合所提取的显著性特征.在网络顶层,改进多尺度金字塔池化以融合局部特征和全局特征.在网络输出层,结合验证损失算法自适应更新损失层,加速模型的收敛并提高精度.在PETA和RAP数据集上的实验结果表明,MLASC-Net的识别准确率相较原基准网络分别提高约4.62和6.54个百分点,其在识别效果和模型收敛速度上有明显优势,同时在非理想自然条件下具有良好的泛化能力,可有效提高网络对细粒度属性的鲁棒性.

关键词：行人属性识别、多级跳跃连接网络、敏感注意力、多尺度金字塔、残差网络

所属期刊栏目：47

分类号：TP391.41(计算技术、计算机技术)

资助基金：陕西省科技计划重点项目2017ZDCXL-GY-05-03

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：314-320