基于行人属性异质性的行人再识别神经网络模型

• 作者: 吴彦丞 李邵梅 陈鸿昶 高超
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 行人再识别 异质性 深度学习 属性分类 回归预测 多分类
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 196-203
• 页数: 8页
• 分类号: TP18
• 字数: 6910字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0050934

摘要

为提高基于行人属性学习的行人再识别算法识别精度,提出一种改进的行人再识别神经网络模型.该模型基于属性之间的异质性,在神经网络中设计不同的识别方法对各类属性进行识别,以提高行人属性识别的准确率.针对不同属性识别方法损失度量算法的不一致,给出异质属性损失度量函数,使得不同识别方法能在同一个网络模型中进行训练和学习,实现网络参数的最优化.实验结果表明,该模型在Market1501数据集、DukeMTMC数据集和DukeMTMC数据集上的首位准确率分别达到88.13％、74.96％和77.64％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李邵梅		45	204	7.0	12.0
2	陈鸿昶		61	354	10.0	16.0
3	高超		22	27	3.0	3.0
4	吴彦丞		4	5	2.0	2.0