行人再辨識可應(yīng)用于刑探偵查、社會安保等領(lǐng)域。已有許多行人再辨識方法被提出,主要分為兩大類:基于人工設(shè)計特征的行人再辨識方法和基于深度學(xué)習(xí)的行人再辨識方法。早期行人再辨識一般采用基于人工設(shè)計特征的方法,其算法理論性強且計算量小,但由于此類特征需由人工設(shè)計,因此成本較高且易忽略行人特征。近年來深度學(xué)習(xí)方法的快速發(fā)展,為行人再辨識的應(yīng)用提供了新的契機。將深度學(xué)習(xí)與行人再辨識結(jié)合,在免去大量人工成本的同時,可以使機器自動地去學(xué)習(xí)和優(yōu)化行人特征,從而提高行人再辨識算法的性能。但由于行人照片的分辨率較低,且進(jìn)行深度學(xué)習(xí)時,特征圖尺寸不斷變小的過程中會損失大量可用信息。鑒于人工設(shè)計特征與深度學(xué)習(xí)在行人再辨識已經(jīng)取得的矚目成績,本文融合上述兩個研究方向,提出了可用于行人再辨識的區(qū)域稀疏注意力網(wǎng)絡(luò),該網(wǎng)絡(luò)通過采用隨機區(qū)域批量遮擋的數(shù)據(jù)增強方法,以及嵌入了稀疏注意力機制這兩種算法,可以有效避免卷積過程中必要的信息損失,主要方法如下:1)嵌入稀疏注意力的壓縮激活網(wǎng)絡(luò)。該網(wǎng)絡(luò)是由壓縮激活網(wǎng)絡(luò)改進(jìn)而來。首先將壓縮激活網(wǎng)絡(luò)中的壓縮激活模塊提取出來,對其進(jìn)行歸一化處理,由此生成注意力模塊:歸一化的壓縮激活模塊;然后...

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2線性卷積層和多層感知器的對比

10其中n[1,N]，N是感知器的層數(shù)，0i,j,:a等同于i,jx。在感知器層中，將11卷積放在傳統(tǒng)卷積層之后，1×1卷積等價于ReLU所繼承的跨通道的池化運算。因此，多層感知器也可以看作是正常卷積層上的多級跨通道池化。最后，應(yīng)用全局平均池化對最終層的特征圖在空間維度進(jìn)行平均運....

圖4.4行人特征圖分割數(shù)目效果對比圖

32那么，特征圖尺寸大小為何值時對特征圖進(jìn)行分割最為恰當(dāng)呢？在輸入圖片尺寸確定的情況下，特征圖尺寸大小由模型的主干網(wǎng)絡(luò)中空間下采樣率決定。研究表明，降低主干網(wǎng)絡(luò)的下采樣率能有效地豐富特征信息，因此本文取消了骨干網(wǎng)中最后一層的空間下采樣操作，而在網(wǎng)絡(luò)最后擴大輸出特征圖的大校這樣在幾....

圖4.5多任務(wù)學(xué)習(xí)輸入全局局部融合

34相比，局部特征圖中行人具有更精確和更清晰的輪廓。一個合理的解釋是，通過遮擋相同的大致對齊的區(qū)域，我們加強了其余部分的特征學(xué)習(xí)與語義相關(guān)性的表達(dá)，其在數(shù)據(jù)集Market-1501上具體性能對比如表4.6所示。表4.6多任務(wù)學(xué)習(xí)中模型各分支及融合性能分支mAP（%）Top-1（%....

本文編號：3908085