行人再辨識(shí)可應(yīng)用于刑探偵查、社會(huì)安保等領(lǐng)域。已有許多行人再辨識(shí)方法被提出,主要分為兩大類:基于人工設(shè)計(jì)特征的行人再辨識(shí)方法和基于深度學(xué)習(xí)的行人再辨識(shí)方法。早期行人再辨識(shí)一般采用基于人工設(shè)計(jì)特征的方法,其算法理論性強(qiáng)且計(jì)算量小,但由于此類特征需由人工設(shè)計(jì),因此成本較高且易忽略行人特征。近年來(lái)深度學(xué)習(xí)方法的快速發(fā)展,為行人再辨識(shí)的應(yīng)用提供了新的契機(jī)。將深度學(xué)習(xí)與行人再辨識(shí)結(jié)合,在免去大量人工成本的同時(shí),可以使機(jī)器自動(dòng)地去學(xué)習(xí)和優(yōu)化行人特征,從而提高行人再辨識(shí)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(shí),特征圖尺寸不斷變小的過(guò)程中會(huì)損失大量可用信息。鑒于人工設(shè)計(jì)特征與深度學(xué)習(xí)在行人再辨識(shí)已經(jīng)取得的矚目成績(jī),本文融合上述兩個(gè)研究方向,提出了可用于行人再辨識(shí)的區(qū)域稀疏注意力網(wǎng)絡(luò),該網(wǎng)絡(luò)通過(guò)采用隨機(jī)區(qū)域批量遮擋的數(shù)據(jù)增強(qiáng)方法,以及嵌入了稀疏注意力機(jī)制這兩種算法,可以有效避免卷積過(guò)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(lái)。首先將壓縮激活網(wǎng)絡(luò)中的壓縮激活模塊提取出來(lái),對(duì)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(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2線性卷積層和多層感知器的對(duì)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(jià)于ReLU所繼承的跨通道的池化運(yùn)算。因此，多層感知器也可以看作是正常卷積層上的多級(jí)跨通道池化。最后，應(yīng)用全局平均池化對(duì)最終層的特征圖在空間維度進(jìn)行平均運(yùn)....

圖4.4行人特征圖分割數(shù)目效果對(duì)比圖

32那么，特征圖尺寸大小為何值時(shí)對(duì)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(kuò)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(gè)合理的解釋是，通過(guò)遮擋相同的大致對(duì)齊的區(qū)域，我們加強(qiáng)了其余部分的特征學(xué)習(xí)與語(yǔ)義相關(guān)性的表達(dá)，其在數(shù)據(jù)集Market-1501上具體性能對(duì)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(hào)：3908085