多样细粒度特征与关系网络驱动的行人重识别

摘要：

在图像行人重识别(person re-identification)中,基于深度网络的传统方法通常采用了简单局部切块方式进行特征提取.该方式忽略了特征间的关联性,限制了网络鉴别能力的提高.针对该问题,提出了一种包含多样化特征的网络模型(DFFRRID).该网络模型在主干网络后设计了三个模块,分别用于提取粗糙的全局特征、由粗到细粒度切分的局部特征以及局部特征间的关联性特征.三个模块相互补充,最后将提取的全局与局部特征集成到分类网络.在损失优化阶段,利用交叉熵损失与标签平滑交叉熵损失的联合损失进行分类学习,以防止网络过拟合.在Market1501、DukeMTMC-ReID以及CUHK03数据集上的实验结果验证了所提模型的有效性,DFFRRID的Rank-1准确率分别达到了95.3%、89.3%和80.5%,mAP精度分别为88.6%、78.9%和73.9%,其相对于大多数方法进一步提高了图像行人重识别精度.

关键词：行人重识别、深度学习、细粒度划分、局部特征、关系网络

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：西华大学研究生创新基金项目;四川省自然科学基金

在线出版日期：2023-10-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：211-219