基于多尺度批量特征丢弃网络的行人重识别研究

摘要：

针对行人重识别存在的遮挡和姿势变化问题和目前网络识别率低的缺陷,提出了不同空间维度的多分支行人重识别网络模型.首先利用IBN-Net50-a为基础骨干网络提取特征;然后对最后两层卷积层融合批量特征丢弃方法,以增强局部区域专注特征学习;最后拼接不同维度的特征,获得更多浅层、深层的有用信息.在网络训练时,采用三元组损失和标签平滑损失联合策略训练.使用三个常用的基准数据集Market1501、DukeMTMC-reID、CUHK03进行实验验证,并按照主流策略划分数据集.实验结果表明,所提方法的特征泛化能力较好,其中在Market1501数据集的Rank-1和平均准确率(mAP)分别达到95.3％和86.8％;在DukeMTMC-reID数据集的Rank-1和mAP分别达到88.5％和75.9％;在CUHK03数据集的Rank-1和mAP分别达到80.9％和77.8％.

关键词：机器视觉、行人重识别、特征丢弃、特征学习、三元组损失、标签平滑损失

所属期刊栏目：59

分类号：TP751.1(遥感技术)

资助基金：科技部重点研发计划2018YFB0504604

在线出版日期：2022-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：312-322