没有合适的资源?快使用搜索试试~ 我知道了~
首页全局特征拼接提升行人重识别:95.9% Rank-1精度
本文主要探讨的是"基于全局特征拼接的行人重识别算法研究"。当前行人重识别技术面临着网络模型复杂化以及识别率不高的挑战。为了应对这些问题,研究者提出了一种创新的方法,即利用卷积神经网络(CNN)提取行人图像的全局特征。这种方法首先通过CNN的不同卷积层获取多层面的特征,这些特征具有不同的抽象层次,拼接起来可以提供更全面的信息,有助于提高识别的准确性。 在特征提取阶段,研究者对来自不同卷积层的特征进行融合,这使得最终的特征能够包含丰富的上下文信息,从而增强其表征能力。在训练过程中,采用了两种先进的损失函数——聚类损失函数和标签平滑损失函数,它们结合使用能够减少过拟合的风险,同时提高模型对不同个体间的区分度。 此外,文章还介绍了两种训练技巧:随机擦除和减小池化步长。随机擦除是为了增加模型对图像局部变化的鲁棒性,而减小池化步长则有助于保留更多的细节信息,这对行人重识别这类对细节敏感的任务至关重要。这些优化策略显著提升了模型的性能。 实验结果在多个知名的数据集上进行了验证,包括Market1501、DukeMTMC-reID、CUHK03和MSMT17,其中在Market1501数据集上,算法表现出色,Rank-1精度达到了95.9%,mAP值更是达到了94.6%,这证明了该算法的有效性和优越性。本文提出的基于全局特征拼接的行人重识别算法在保持模型简洁性的同时,提高了识别准确性和鲁棒性,为行人重识别领域的研究提供了新的视角和方法。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/18271466/bg1.jpg)
收稿日期:20190915;修回日期:20191106 基金 项目:国 家留 学基金 资助 项目 (201808420418);国家 自然 科学基 金资 助项目
(61571182,61601177);湖北省自然科学基金资助项目(2019CFB530)
作者简介:熊炜(1976),男(通信作者),湖北宜昌人,副教授,硕导,博士,主要研究方向为数字图像处理和计算机视觉(xw@mail.hbut.edu.
cn);杨荻椿(1996),男,云南昭通人,硕士研究生,主要研究方向为计算机视觉和行人重识别;熊子婕(1994),女,湖北武汉人,硕士,主要研究方
向为模式识别和行人重识别;童磊(
1993),男,湖北鄂州人,硕士,主要研究方向为导航、制导与控制;李利荣(1974),女,湖北汉川人,讲师,硕导,
博士,主要研究方向为模式识别与智能系统;王娟(1983),女,河北邯郸人,讲师,硕导,博士,主要研究方向为人工智能和图像处理.
基于全局特征拼接的行人重识别算法研究
熊 炜
1,2
,杨荻椿
1
,熊子婕
1
,童 磊
1
,李利荣
1
,王 娟
1
(1.湖北工业大学 电气与电子工程学院,武汉 430068;2.美国南卡罗来纳大学 计算机科学与工程系,美国 哥
伦比亚 29201)
摘 要:针对目前行人重识别出现网络模型复杂化、识别率低的问题,提出一种基于全局特征拼接的行人重识
别算法。首先利用卷积神经网络(
CNN)提取全局特征;然后把不同卷积层提取的特征进行拼接,使特征信息互
补;最后将拼接后的特征再次进行卷积处理,获得高表征能力的特征。网络训练时,采用聚类损失函数和标签平
滑损失函数联合训练,同时 引入了随机 擦除和减小池 化 步长的训 练 技巧。在
Market1501、DukeMTMCreID、
CUHK03和 MSMT17数据集上进行了实验验证,实验表明所提算法具有良好性能,其中在 Market1501上,Rank1、
mAP分别达到了 95.9%和 94.6%。
关键词:行人重识别;全局特征拼接;聚类损失;标签平滑损失
中图分类号:TP183 文献标志码:A 文章编号:10013695(2021)01064031605
doi:10.19734/j.issn.10013695.2019.09.0578
Personreidentificationalgorithmbasedonglobalfeaturestitching
XiongWei
1,2
,YangDichun
1
,XiongZijie
1
,TongLei
1
,LiLirong
1
,WangJuan
1
(1.SchoolofElectrical&ElectronicEngineering,HubeiUniversityofTechnology,Wuhan430068,China;2.Dept.ofComputerScience&
Engineering,UniversityofSouthCarolina,ColumbiaSC29201,USA)
Abstract:Inordertosolvetheproblemsofnetworkmodelcomplexityandlowidentificationrate,thispaperproposedaperson
reidentification(ReID)methodbasedonglobalfeaturestitching.Firstly,itextractedtheglobalfeaturesusingconvolutional
neuralnetwork
(CNN).Secondly,itstitchedthefeaturesfromdifferentconvolutionlayerstogethertocomplementthefeaturein
formation.Finally,itconvolutedagaintoobtainthefeatureswithhighrepresentationability.Innetworktrainingstage,itcom
binedtheclusterlosswithlabelsmoothingloss,andadoptedrandomerasingaugmentation(REA)aswellaspoolingstepre
ductiontechniques.ItconductedextensiveexperimentstoevaluatetheperformanceofthisproposedmethodonMarket1501
,
DukeMTMCreID,CUHK03andMSMT17benchmarkdatasets.Resultsshowthattheproposedmethodoutperformsotherstate
ofthearttechniques,forinstance,theRank1andmAPonMarket1501are95.9% and94.6%,respectively.
Keywords:personreidentification(ReID);globalfeaturestitching;clusterloss;labelsmoothingloss
0 引言
行人重识别也称行人再识别(personreidentification,per
sonReID),是指在跨摄像头的环境中,判断是否存在给定行人
图像,可用于城市安防管理、智能零售、相册聚类等领域。但是
在监控视频中,经常出现行人姿态多变、拍摄角度改变、光线变
化、物体遮拦等因素引起的图像质量低劣问题。如何降低这些
因素对行人重识别的影响,是当前行人重识别研究所需要克服
的挑战。
2014年以前,研究学者通过设计鲁棒的特征提取器和优
化的相似度度量方法进行识别。文献[1]指出了利用行人步
态自身的多种特征融合识别方法,以及步态和其他生物特征融
合的识别方法。文献[2]提出了利用 Trace变换特征实例化的
识别方法。文献[3]利用行人外貌中直观和重要的颜色特征
对光照具有不变形的颜色描述符,提出了基于空间颜色特征的
描述符。文献[4]提出了基于统计稠密尺度不变特征描述行
人图像的纹理结构的特征描述子,并将度量学习和稀疏表示方
法相结合进行距离排序。文献[5]提出了基于 HSV和特征点
匹配相结合的算法。但是这些手工特征描述效果差,并且度量
学习对大数据集求解困难,难以胜任实际运用。
进入深度学习时代后,卷积神经网络(
convolutionalneural
network
,CNN)能够从大量的数据集中学习到复杂的特征,利用
简单的距离度量方法便取得了突破性的性能提升,基于深度学
习的行人重识别取代了前者。近年来,随着深度学习的发展涌
现出许多可借鉴的新颖思路。文献[
6]提出了利用姿态信息
的
spindlenet,首先提取 14个关键的人体骨架点,然后根据骨
架点提取 7个身体区域,最后将 CNN提取的原始行人图片特
征和
7个身体区域的特征融合,融合的特征作为行人特征表
征。文献[7]所提出的 PCB模型以 ResNet50作为基础网络,
将所得的特征图水平分为六块,对每块采用不同的目标损失函
数去训练,学习部分级的特征,最后将各局部特征融合描述行
人。文献[8]提出多分支网络 HACNN,一条分支用来学习全
局特征,另一条分支用来学习局部特征,其中局部特征分支又
分为 T条子分支,每条子分支学习一个局部区域的特征,最后
的行人特征表述为全局特征与局部特征的融合。上述文献的
识别效果是目前比较好的,可以发现它们都进行了特征融合来
第 38卷第 1期
2021年 1月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol38No1
Jan.2021
下载后可阅读完整内容,剩余4页未读,立即下载
![](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
weixin_38588394
- 粉丝: 8
- 资源: 954
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 解决Eclipse配置与导入Java工程常见问题
- 真空发生器:工作原理与抽吸性能分析
- 爱立信RBS6201开站流程详解
- 电脑开机声音解析:故障诊断指南
- JAVA实现贪吃蛇游戏
- 模糊神经网络实现与自学习能力探索
- PID型模糊神经网络控制器设计与学习算法
- 模糊神经网络在自适应PID控制器中的应用
- C++实现的学生成绩管理系统设计
- 802.1D STP 实现与优化:二层交换机中的生成树协议
- 解决Windows无法完成SD卡格式化的九种方法
- 软件测试方法:Beta与Alpha测试详解
- 软件测试周期详解:从需求分析到维护测试
- CMMI模型详解:软件企业能力提升的关键
- 移动Web开发框架选择:jQueryMobile、jQTouch、SenchaTouch对比
- Java程序设计试题与复习指南
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)