免费观看片,日本学生xnx,人人草网站

融合外觀特征的行人重識別方法

信息技術與網絡安全

彭玉青1，2，李偉1，2，郭永芳1

(1.河北工業大學人工智能與數據科學學院，天津300401； 2.河北省大數據計算重點實驗室，天津300401)

摘要： 針對行人重識別中由于姿勢變化、視角改變、遮擋等引起的識別率不高的問題，提出了融合外觀特征的行人重識別方法。該方法通過兩個網絡分支的設計，分別提取行人的全局特征和局部特征，二者融合后得到行人的外觀特征。同時結合分類損失和度量學習損失，通過多任務學習策略對兩個網絡分支進行模型優化。此外，該模型設計了隨機擦除算法，在數據集中加入噪聲，增強模型的魯棒性。實驗結果表明：融合外觀特征的行人重識別方法大大提高了行人重識別的準確率，在Market-1501數據集上rank1達到了92.82%、mAP 達到了80.51%，在DukeMTMC-reID數據集上rank1達到了85.06%、mAP達到了72.72%。

關鍵詞： 行人重識別特征融合隨機擦除多任務學習

中圖分類號： TP391
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.06.006
引用格式：彭玉青，李偉，郭永芳. 融合外觀特征的行人重識別方法[J].信息技術與網絡安全，2021，40(6)：33-37，49.

Person re-identification incorporating appearance feature

Peng Yuqing1，2，Li Wei1，2，Guo Yongfang1

(1.School of Artificial Intelligence and Data Science，Hebei University of Technology，Tianjin 300401，China； 2.Hebei Province Key Laboratory of Big Data Calculation，Tianjin 300401，China)

Abstract： Aiming at the problem of low recognition rate caused by pose, viewpoint and occlusion in person re-identification, a method incorporating appearance feature is proposed. The method designs two network branches to extract global feature and local feature of pedestrians respectively, and the two are fused to obtain the appearance features of pedestrians. Simultaneously the model is optimized by a multi-task learning strategy for both network branches through combining classification loss and metric learning loss. In addition, the model combines with random erasing algorithm to add noise to the dataset for enhancing the robustness of the model. The experimental results show that the proposed method incorporating appearance feature greatly improves the accuracy of person re-ID, with rank-1 reaching 92.82% and mAP reaching 80.51% on the Market1501 dataset, and rank-1 reaching 85.06% and mAP reaching 72.72% on the DukeMTMC-reID dataset.

Key words : person re-identification；feature incorporating；random erasing；multi-task learning

0 引言

行人重識別(Person Re-identification，Person re-ID)是指跨監控設備下的行人檢索問題，即給定一個監控行人圖像，利用計算機視覺技術在其他監控攝像頭拍攝產生的大型圖片庫中準確找到該行人圖片，在智能安防、智能監控以及智能商業等領域具有廣泛應用。但由于圖片分辨率低、行人姿勢變化較大、視角變化、遮擋、光照變化、背景雜亂干擾等問題，行人重識別當前面臨巨大的挑戰。

行人重識別方法分為特征提取和相似性度量兩個步驟，傳統的行人重識別方法將兩個步驟分開研究，只對其中一個步驟改進、優化。特征提取方法主要采用顏色、形狀和紋理等低維視覺特征來表達行人外觀，如RGB直方圖等。模型提取特征后通過學習距離度量函數進行相似性度量。近年來，隨著卷積神經網絡(CNN)的發展，許多深度學習的方法應用到行人重識別中，將特征提取和相似性度量整合為一個統一的整體，同時改進兩個模塊學習有辨別力的特征。ZHENG L等人[1]提出IDE(ID Embedding)網絡，利用行人身份標簽訓練ResNet50網絡，進行微調后獲取行人全身特征進行身份識別。SUN Y F等人[2]提出PCB(Part-based Convolutional Baseline)網絡，采用統一分割策略提取細節特征，設計了RPP(Refined Part Pooling)模塊調整偏差，增強劃分模塊的一致性，解決了分割導致的行人身體部位不對齊等問題。李聰等人[3]提出多尺度注意力機制(Multi-Scale Attention，MSA)的行人重識別方法，將多尺度特征融合與注意力方法相結合，使網絡能自適應地調節感受野的大小，但此方法忽略相似性度量對模型的有效性。

本文詳細內容請下載：http://www.shi-ke.cn/resource/share/2000003597

作者信息：

彭玉青1，2，李偉1，2，郭永芳1

(1.河北工業大學人工智能與數據科學學院，天津300401；

2.河北省大數據計算重點實驗室，天津300401)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容