基于双分支特征拼接的行人重识别

摘要：

针对不同监控视觉的拍摄,行人重识别任务存在类内(同一行人)前后变化大被误判、类间(相似行人)模糊造成区分度低的问题,提出一种双分支特征拼接的行人重识别方法(Dual-branch Feature Concatenation Network,DFCNet).该方法通过对网络的深度特征进行拼接,使特征信息互补,获得辨别性特征,并用批归一化层代替基础网络全局平均池化层后的全连接层,使用标签平滑交叉熵损失函数训练网络,解决类内变化大及类间模糊造成提取特征辨别性差的问题.为验证所建议方法的有效性,在Market1501、DukeMTMC-reID公开数据集上进行验证,其中在Market1501数据集上,Rank-1和mAP指标分别达到95.8％和94.3％.结果表明所建议方法在处理类内误判与类间难区分问题上具有良好性能,且识别精度优于对比的流行算法.

关键词：模式识别、行人重识别、特征提取、双分支特征拼接

分类号：TP391(计算技术、计算机技术)

资助基金：贵州省科技计划项目;贵州民族大学自然科学基金资助项目;贵州省青年科技人才成长项目;贵州省青年科技人才成长项目

在线出版日期：2023-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：93-99