基于多尺度和注意力融合学习的行人重识别

行人重识别的关键依赖于行人特征的提取,卷积神经网络具有强大的特征提取以及表达能力。针对不同尺度下可以观察到不同的特征,该文提出一种基于多尺度和注意力网络融合的行人重识别方法(MSAN)。该方法通过对网络不同深度的特征进行采样,将采样的特征融合后对行人进行预测。不同深度的特征图具有不同的表达能力,使网络可以学习到行人身上更加细粒度的特征。同时将注意力模块嵌入到残差网络中,使得网络能更加关注于一些关键信息,增强网络特征学习能力。所提方法在Market1501,DukeMTMC-reID和MSMT17_V1数据集上首位准确率分别到了95.3%,89.8%和82.2%。实验表明,该方法充分利用了网络不同深度的信息和关注的关键信息,使模型具有很强的判别能力,而且所提模型的平均准确率优于大多数先进算法。

基于多层次特征交互的点击率预测模型

针对点击率预测模型xDeepFM对低阶特征信息利用不充分且训练参数过多问题,提出一种基于多层次特征交互的点击率预测模型。该模型在DNN与嵌入层之间引入二阶特征交互层,充分融合低阶与高阶特征,并通过二阶特征向量对位相乘的方式减少参数量,提升模型的特征组合能力;在输入特征的预处理过程中引入最大支持的维度参数,避免稀疏特征在独热编码映射时出现维度爆炸。结果表明,在Criteo和Avauz两个真实数据集上本文所提模型AUC指标比xDeepFM模型分别提高了0.007 8和0.004 3。