10.14132/j.cnki.1673-5439.2022.05.009
融合空间相关性和局部特征转换器的遮挡行人重识别
遮挡的行人重识别是计算机视觉中的一个挑战性领域,它面临着特征表示效率低下和识别准确率低等问题.卷积神经网络方法更注重局部特征的提取,因此难以提取被遮挡行人的特征,效果也不尽如人意.最近,视觉转换器被引入到重识别领域,并通过构建图像块序列之间的全局特征联系取得了最先进的结果.然而,视觉转换器在提取局部特征方面的性能不如卷积神经网络.因此,设计了 一个基于空间相关性和局部特征序列的行人重识别网络.所提出的网络利用3个模块来提高视觉转换器的效率:(1)图像块全维度增强模块.设计了一个与图像块序列大小相同的可学习张量,该张量是全维的,并可完全嵌入到图像块序列中,用以丰富训练样本的多样性;(2)图像块序列融合重构模块.提取已经获得的图像块序列中不太重要的部分,并将它们与原始的图像块序列融合以重构原始图像块序列;(3)空间切割模块.从空间方向上对图像块序列进行切片和分组,并引入身份损失,可以有效提高图像块序列的短程相关性.对遮挡和整体重识别数据集的实验结果表明,所提网络的性能优于其他先进方法.
遮挡行人重识别、局部特征、图像块序列、视觉转换器
42
TP391.41(计算技术、计算机技术)
南京邮电大学自然科学基金资助项目NY221077
2023-02-15（万方平台首次上网日期，不代表论文的发表时间）
共12页
62-73
