论文题目：Relation Network for Person Re-identification

最新推荐文章于 2023-03-19 23:27:57 发布

baidu_huihui

最新推荐文章于 2023-03-19 23:27:57 发布

阅读量355

点赞数

文章标签： re-id

本文链接：https://blog.csdn.net/baidu_41617231/article/details/114223031

版权

该论文提出了一种关系网络模型，用于解决行人重识别中的错误匹配问题。通过结合身体部位的局部特征和它们之间的关系，创建具有全局联系的新特征，提高模型的识别准确性。论文介绍了全球对比池化（GCP）和一对一关系模块，这两个模块能够提取和融合具有上下文关系的局部特征，从而提升行人重识别性能。

摘要由CSDN通过智能技术生成

论文题目：Relation Network for Person Re-identification
来源：AAAI 2020
论文地址：https://arxiv.org/pdf/1911.09318v1.pdf
代码：https://github.com/cvlab-yonsei/RRID
**动机：**直接使用行人的部分层次特征，而不考虑身体各部位之间的关系，就容易把两张在对应部位具有相似特征的不同行人图片混淆。作者为了解决这个问题，提出了一种新的关系网络，该网络加入了身体局部特征和剩余其他部位特征之间的关系。
**解决思路：**在行人的高度上进行分割，提取行人图片不同部位的特征，也叫局部特征，将每个单独的局部特征和剩余的局部特征相关联，得到新的具有全局联系的局部特征，使得模型更加具有特征鉴别能力。
具体方法：
下图为作者使用的框架概览：在下图中，我们可以看出，行人的输入图像先经过一个resnet-50骨干网络，提取出特征图[H,W,C]（分别表示高度，宽度，通道数）。为了提取局部特征，作者将特征图平分为6个水平的网格，经过最大池化得到6个局部特征图[1,1,c]。然后将得到的6个局部特征分别送入两个模块中。往下走的Global contrastive pooling(GCP)模块用来提取全局特征，往右走的One-vs-rest relational module为了提取新的局部特征。最后再将得到的新的6个局部特征和1个全局特征融合，送入网络训练。