机构名称：
¥ 1.0
先前的行人重新识别 (Re-ID) 模型旨在关注图像中最具辨别力的区域，而当由于相机视点变化或遮挡导致该区域缺失时，其性能可能会受到影响。为了解决这个问题，我们提出了一种名为分层双向特征感知网络 (HBFP-Net) 的新模型来关联多级信息并相互加强。首先，通过低秩双线性池化建模跨级特征对的相关图。然后，基于相关图，采用双向特征感知 (BFP) 模块来丰富高级特征的注意区域，并学习低级特征中的抽象和特定信息。然后，我们提出了一种新颖的端到端分层网络，该网络集成了多级增强特征，并将增强的低级和中级特征输入到后续层以重新训练新的强大网络。更重要的是，我们提出了一种新的可训练广义池化，它可以动态选择特征图中所有位置的任意值进行激活。在包括 Market-1501、CUHK03 和 DukeMTMC-ReID 在内的主流评估数据集上进行的大量实验表明，我们的方法优于最近的 SOTA Re-ID 模型。
用于行人重新识别的分层双向特征感知网络
主要关键词
相关文件推荐
