结合注意力与批特征擦除的行人重识别模型

在行人重识别过程中,图像局部遮挡会造成识别准确率下降。提出一种结合注意力和批特征擦除的网络(ABFE-Net)模型,旨在学习具有辨别力的全局特征和局部细粒度特征,提高图像局部遮挡条件下行人特征的表达能力。将轻量级注意力模块嵌入到ResNet-50中自主学习每个通道的权重,通过强化有用特征和抑制无关特征增强网络特征的学习能力,提取行人更具辨别力的全局特征。对于深层特征使用批特征擦除方法,随机擦除同一批次特征图的相同区域,使得网络关注剩余的局部细粒度特征。将两种特征融合得到更加全面的行人特征表示,对其进行相似性度量并排序,得到行人重识别的结果。实验结果表明,与HA-CNN、PCB等方法相比,ABFE-Net模型在Market1501和DukeMTMC-reID数据集上的Rank-1和mAP分别达到94.4%、85.9%和88.3%、75.1%,能够明显增强行人特征的辨别性,提高行人重识别效果。

基于局部特征融合的行人重识别方法

随着智能化时代的来临,社会智能监控设备全面覆盖,行人重识别成为极具挑战的研究课题。行人重识别的核心在于设计深度学习网络对图像提取强判别力的特征,本文针对局部特征的重要性提出一种局部特征融合的行人重识别模型。将一个卷积块接出2条独立支路,分别接入局部特征提取模块和批特征擦除模块,最后和全局特征提取支路进行特征融合获得高细粒度的特性,并采用联合损失函数训练网络。在Marketl501数据集上验证所提方法具有有效性,mAP达到84.12%,Rank-1达到95.06%。

基于改进Cascade RCNN网络的X光安检违禁品检测

针对X光安检违禁品检出率低下的问题,提出了一种基于改进Cascade RCNN网络的X光安检违禁品检测算法.该算法在网络结构上引入批特征擦除(batch feature erasing,BFE)模块.BFE模块通过随机擦除相同区域来增强局部特征学习,进而强化网络对剩余特征的学习表达.此外,针对检出率低下问题,在该算法中提出加权SD loss损失函数,该损失函数使用权重融合的方式将Smooth L1 loss与DIoU loss进行加权融合,通过改变权重比例系数,能够使目标检测结果更加准确,一定程度上提高了检出率.实验结果表明:在公开的X光安检违禁品数据集上,测试性能与原算法相比,改进Cascade RCNN网络对X光安检违禁品检出率增长了3.11%,改进算法的识别精度有一定的提高.