文件名称：基于HPLF的行人再识别
文件大小：984KB
文件格式：PDF
更新时间：2024-05-26 05:39:12
深度学习 计算机视觉 行人再识别 卷积神经网络 生成对抗网络
为了更好的挖掘局部特征, 提升行人再识别的精度, 本文提出了一种利用水平池化提取局部特征的HPLF (Horizontal Pooling for Local Feature)算法, 在ResNet-50网络中对输入的联合数据集进行预处理, 提取特征, 对ResNet-50网络生成的特征图进行水平切割, 通过分割的特征图计算两两特征之间的距离, 再用难样本三元组损失(Triplet loss with Hard example mining, TriHard loss)来作为局部特征损失函数训练, 通过特征图计算全局距离, 通过难样本三元组损失来训练, 将这两个损失函数加上一个Softmax交叉熵损失函数, 联合起来作为总的损失函数进行参数修正. 实验结果表明: 在Market1501数据集中, mAP (mean Average Precision), Rank-1, Rank-5, Rank-10等性能指标上, HPLF算法比其他算法有3%左右的提升.