典型文献
基于EfficientNet的双分路多尺度联合学习行人再识别
文献摘要：
针对视频图像中因小目标行人、遮挡和行人姿态多变而造成的行人再识别率低的问题,建立了一种基于高效网络EfficientNet的双分路多尺度联合学习方法.首先采用性能高效的EfficientNet-B1网络作为主干结构;然后利用加权双向特征金字塔(BiFPN)分支对提取的不同尺度全局特征进行融合,并且得到包含不同层次语义信息的全局特征,从而提高小目标行人的识别率;其次利用PCB分支提取深层局部特征来挖掘行人的非显著信息,并减轻行人遮挡和姿态多变性对识别率的影响;最后在训练阶段将两个分支网络分别提取的行人特征通过Softmax损失函数得到不同子损失,并把它们相加进行联合表示;在测试阶段将获得的全局特征和深层局部特征拼接融合,并计算欧氏距离得到再识别匹配结果.该方法在Market1501和DukeMTMC-Reid数据集上的Rank-1的准确率分别达到了95.1％和89.1％,与原始EfficientNet-B1主干结构相比分别提高了3.9个百分点和2.3个百分点.实验结果表明,所提出的模型有效提高了行人再识别的准确率.
文献关键词：
行人再识别;EfficientNet;局部特征提取;多尺度特征提取;联合学习
中图分类号：
作者姓名：
仇天昊;陈淑荣
作者机构：
上海海事大学信息工程学院,上海201306
文献出处：
引用格式：
[1]仇天昊;陈淑荣-.基于EfficientNet的双分路多尺度联合学习行人再识别)[J].计算机应用,2022(07):2065-2071
A类：
B类：
EfficientNet,双分,分路,联合学习,习行,行人再识别,对视,视频图像,小目标行人,遮挡,识别率,高效网络,B1,主干结构,加权双向特征金字塔,BiFPN,不同尺度,全局特征,不同层次,语义信息,高小,PCB,多变性,训练阶段,分支网,Softmax,损失函数,相加,加进,联合表示,测试阶段,特征拼接,欧氏距离,Market1501,DukeMTMC,Reid,Rank,百分点,局部特征提取,多尺度特征提取
AB值：
0.407794
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。
