基于注意力和标签自适应的跨域行人重识别

摘要：

针对现有的大多数行人重识别算法都依赖于监督训练,而监督训练中人工标注的数据需要昂贵的资源开销从而限制了其在新场景中拓展应用的问题,提出了基于注意力和标签自适应的跨域行人重识别方法.该方法首先对深度卷积神经网络(DCNN)中不同深度的特征层嵌入注意力机制和BNNeck模块,增强模型在不同数据集下对行人的特征表示能力;其次针对没有任何标签的目标数据集,提出了无监督标签自适应方法,将标签信息逐渐扩展至目标数据集中;最后采用知识蒸馏(KD)的方法不断对模型进行微调,使模型逐渐适应新的场景.该方法在Market-1501数据集上的平均精度均值(mAP)为33.1％,在DukeMTMC-reID数据集上的mAP为36.1％,与PTGAN、IPGAN等跨域行人重识别算法相比性能有明显提升.

关键词：跨域行人重识别、注意力、标签自适应、知识蒸馏(KD)、深度卷积神经网络(DCNN)

所属期刊栏目：32

资助基金：国家自然科学基金;国家自然科学基金;湖北省重点研发计划资助项目

在线出版日期：2022-04-18（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：143-151