《表2 多尺度注意力特征丢弃模块的影响》
unit:%
同样地,本研究对于多尺度注意力特征丢弃(MSA-FD)模块的有效性进行了验证。从表2中可以看出,将特征丢弃方法得到的局部特征与由baseline得到的全局特征相结合,模型的表现得到了较大的提升。同时相较于未添加多尺度注意力模块的批量特征丢弃(BDB)方法[4],本研究提出的MSA-FD模块通过调整丢弃区域中的特征权重分布进一步提高了模型表现。在Market-1501数据集上进行的实验中,Rank-1和mAP分别提升了1.08%、0.89%;在DukeMTMC-ReID数据集上,Rank-1和mAP上也分别提升了1.66%、1.41%。另一方面,将MSA-FD模块从整体模型中移除之后,模型的精度在两个数据集上也都有一定程度的下降。证明了本文方法的有效性,同时说明更加精细准确的局部特征对于模型表现可以起到积极的作用。
图表编号 | XD00188316300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.25 |
作者 | 李聪、蒋敏、孔军 |
绘制单位 | 江南大学物联网工程学院江苏省模式识别与计算智能工程实验室、江南大学物联网工程学院江苏省模式识别与计算智能工程实验室、江南大学物联网工程学院江苏省模式识别与计算智能工程实验室 |
更多格式 | 高清、无水印(增值服务) |