基于层次注意力多任务深度模型的行人再识别方法
基本信息
| 申请号 | CN202210106070.X | 申请日 | - |
| 公开（公告）号 | CN114511881A | 公开（公告）日 | 2022-05-17 |
| 申请公布号 | CN114511881A | 申请公布日 | 2022-05-17 |
| 分类号 | G06V40/10（2022.01）I;G06V20/40（2022.01）I;G06V10/74（2022.01）I;G06V20/52（2022.01）I;G06V10/764（2022.01）I;G06V10/82（2022.01）I;G06K9/62（2022.01）I;G06N3/04（2006.01）I;G06N3/08（2006.01）I | 分类 | 计算；推算；计数; |
| 发明人 | 王其聪;黄艳;秦启峰 | 申请（专利权）人 | 厦门大学深圳研究院 |
| 代理机构 | 厦门南强之路专利事务所（普通合伙） | 代理人 | - |
| 地址 | 361005福建省厦门市思明区思明南路422号 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 基于层次注意力多任务深度模型的行人再识别方法，涉及计算机视觉。包括以下步骤：根据行人再识别数据集构建焦点图；设计层次注意力的多任务深度模型的行人再识别网络模型，通过该模型推断出行人间的相似性；计算两个子任务的分类损失和，通过反向传播和随机梯度下降法对网络模型进行端到端的训练，得到训练好的模型；利用训练好的网络模型测试行人再识别的识别效果，输出行人间的相似度，并按照其大小降序排序。能充分共享在底层细节和高层语义方面具有不同区分力的层次特征提升深度相似性学习性能。在焦点图节点多层近邻聚合间引入注意力机制，使每层近邻聚合后具有区分性的节点通道信息更具重要性，促进对样本间复杂相似性关系的深度推断。 |
