基于行人属性先验分布的行人再识别

摘要：

为了提高基于深度学习和属性学习的行人再识别的识别精度,提出一种联合识别行人属性和行人ID的神经网络模型.相对于已有的同类方法,该模型有三大优点:1)为了提高网络在微调后的判别能力,在网络中增加了一层保证模型迁移能力的全连接层;2)基于各属性样本的数量,在损失函数中对各属性的损失进行了归一化处理,避免数据集中属性类之间的数量不均衡对识别效果的影响;3)利用数据中各属性分布的先验知识,通过数量占比来调整各属性在损失层中的权重,避免数据集中各属性正负样本的数量不均衡对识别的影响.实验结果表明,本文提出的算法具有较高的识别率,其中在Market 1501数据集上,首位匹配率达到了86.90％,在DukeMTMC数据集上,首位匹配率达到了72.83％,在PETA数据集上,首位匹配率达到了75.68％,且对光照变化、行人姿态变化、视角变化和遮挡都具有很好的鲁棒性.

关键词：行人再识别、数据先验分布、权重调整、深度学习、卷积神经网络

所属期刊栏目：45

资助基金：国家自然科学基金61521003, 61601513 资助

在线出版日期：2019-06-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：953-964