典型文献
融合注意力机制与权重聚类学习的行人再识别
文献摘要：
行人图像在行人再识别中常通过行人检测器自动检测获得,不仅包含行人主体,还包含一些干扰信息(比如,背景、遮挡等).在基于注意力机制的行人再识别中,增强了对具有显著性特征行人部件的关注,削弱了对带有干扰信息部件的关注,有利于提取更具辨别力的行人特征表示.在深度学习中,卷积神经网络通过对特征映射重新赋权值,得到注意力特征,提出了一种新颖的基于聚类的全局注意力模块(cluster-based global attention module,CGAM).在CGAM中,将注意力权重学习过程重新考虑为聚类中心学习过程,将特征映射中的空间位置点视为特征节点,通过聚类算法得到每个特征节点的重要分数并进行归一化后作为注意力权重.利用改进的Resnet50作为基本框架,嵌入注意力模块,得到注意力网络,仅使用了全局分支,具有简单高效特点.综上,基于聚类的注意力设计不仅充分利用了特征节点之间的成对相关性,而且挖掘了丰富的全局结构信息,得到一组更可信的注意力权重.实验结果表明,提出的行人再识别算法在Market-1501和DukeMTMC-reID两个流行数据集上均有显著的效果.
文献关键词：
行人再识别;深度学习;注意力网络;注意力权重;聚类算法
中图分类号：
作者姓名：
孙姣;杨有龙;车金星
作者机构：
西安电子科技大学 数学与统计学院,西安 710126;南昌工程学院 理学院,南昌 330099
文献出处：
引用格式：
[1]孙姣;杨有龙;车金星-.融合注意力机制与权重聚类学习的行人再识别)[J].计算机工程与应用,2022(20):157-164
A类：
CGAM
B类：
注意力机制,重聚,行人再识别,行人检测,检测器,自动检测,遮挡,显著性特征,人部,信息部,辨别力,特征表示,特征映射,权值,全局注意力,注意力模块,cluster,global,attention,module,注意力权重,权重学习,学习过程,重新考虑,聚类中心,心学,射中,空间位置,特征节点,聚类算法,Resnet50,基本框架,注意力网络,局分,全局结构信息,识别算法,Market,DukeMTMC,reID
AB值：
0.397021
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
