基于多层级特征融合的行人重识别算法

摘要

针对行人遮挡、姿态变化等现象造成当前行人重识别算法精度不高的问题,提出一种基于多层级特征融合的行人重识别算法。首先通过自注意力机制骨干网络ResNeSt提取图像特征中的短距离信息;其次通过多尺度金字塔卷积(pyramid convolution, Pyconv)分支网络提取图像中长像素关联特征信息,提高模型表达能力;最后使用一种统一形式且可学习的广义均值池化(generalized mean pooling, GEM)替代传统平均池化层,达到关注不同区域特征差异性目的。测试阶段添加平均逆消极惩罚(mINP)作为新评价指标。实验结果表明,本文所提算法在多个数据集上均展现出优势,在DukeMTMC-ReID数据集上Rank-1达到了90.9%,mAP达到了89.8%。