基于行人属性分级识别的行人再识别

• 作者: 吴彦丞 李邵梅 陈鸿昶 高超
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 行人再识别 注意力模型 深度学习 显著性 属性分级
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 论文
• 页码范围: 2239-2246
• 页数: 8页
• 分类号: TP391.41
• 字数: 6281字
• 语种: 中文
• DOI: 10.11999/JEIT180740

摘要

为了提高行人再识别算法的识别效果,该文提出一种基于注意力模型的行人属性分级识别神经网络模型,相对于现有算法,该模型有以下3大优点:一是在网络的特征提取部分,设计用于识别行人属性的注意力模型,提取行人属性信息和显著性程度;二是在网络的特征识别部分,针对行人属性的显著性程度和包含的信息量大小,利用注意力模型对属性进行分级识别;三是分析属性之间的相关性,根据上一级的识别结果,调整下一级的识别策略,从而提高小目标属性的识别准确率,进而提高行人再识别的准确率.实验结果表明,该文提出的模型相较于现有方法,有效提高了行人再识别的首位准确率,其中,Market1501数据集上,首位准确率达到了93.1％,在DukeMTMC数据集上,首位准确率达到了81.7％.

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