尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 行人重识别(PersonRe-Identification,简称ReID),是计算机视觉领域的热点研究方向,主要解决跨摄像头跨场景下行人的识别与检索,具有重要的研究意义和广泛的应用前景。该技术亦可作为人脸识别技术的重要补充,对无法获取清晰人脸的行人进行跨摄像... 展开 行人重识别(PersonRe-Identification,简称ReID),是计算机视觉领域的热点研究方向,主要解决跨摄像头跨场景下行人的识别与检索,具有重要的研究意义和广泛的应用前景。该技术亦可作为人脸识别技术的重要补充,对无法获取清晰人脸的行人进行跨摄像头连续跟踪。本文以人体关节姿态的图表示为辅助特征,联合深度学习和图推理,重点研究并解决行人重识别特征提取不充分、小尺度行人识别精度低和关键点之间的关系被忽略等问题,针对性地提出了三种网络模型。本文的主要研究成果如下: (1)提出了一种基于多尺度特征融合的行人重识别网络(Multi-ScaleFea-tureFusionNetworkforReID,MS-FFN)。MS-FFN通过对不同尺度的特征进行融合,以提升模型的行人重识别性能,增强特征的表示能力,使模型性能有所提升。在Occluded-Duke数据集上的实验结果表明,与目前主流的算法相比(如HONet),所提MS-FFN模型的R1准确率提高了0.5%。 (2)提出了一种基于位置注意力的行人重识别网络(LocationalAttentionNet-workforReID,LANet)。LANet通过将位置信息嵌入通道注意力,联合学习位置和通道特征,从而提高行人重识别模型的性能。在数据集Occluded-Duke上的实验结果表明,与主流的HONet相比,所提LANet模型的R1准确率提高了1.1%。 (3)提出了一种基于图推理的行人重识别网络(GraphReasoningNetworkforReID,GRNet)。GRNet通过将特征映射到一种隐层交互空间,然后用图卷积进行关系推理,最后将带有关系信息的特征映射回原始坐标空间,从而得到更深层的关系表示。在数据集Occluded-Duke上的实验结果表明,所提GRNet的性能优于上述LANet、MS-FFN和HONet模型的性能,模型的R1准确率分别提高了3.1%,3.7%,4.2%;在数据集Market-1501上的结果表明,相较主流算法(如PGFA),mAP和R1指标分别提高了5.9%和1.5%。 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。