《表7 在CUHK03数据集上的结果对比》
unit:%
从实验结果可以看出,在Market-1501数据集上,本文方法的Rank-1和mAP分别达到了95.37%、88.02%,表现出了良好的性能。另外采用Re-ranking[26]方法对结果进行优化之后,Rank-1和mAP分别提升至96.35%及94.50%。而在DukeMTMC-ReID数据集上,Rank-1精度为90.57%,mAP为80.92%,使用Re-ranking方法后,Rank-1和mAP分别提升至93.00%、90.74%,超过了当前大多数方法。同样地,本文也针对CUHK03(Labeled)以及CUHK03 (Detected)对于算法性能进行了测试,从表7中结果可以看出,在该数据集上,本文方法依旧得到了较好的表现。相较于注意力复合网络(AACN)[9]等基于注意力机制的工作,本文方法通过联合全局和局部注意力方法,同时兼顾了全局显著特征和局部细节特征,提取到更具判别力的行人特征用于识别。另外,对于局部特征的提取,本研究联合了基于注意力机制的特征擦除方法与图像分块策略,得到了包含更多细节信息的局部特征。本文方法在三个数据集上均取得了较高的精度,超过了当前大多数方法。
图表编号 | XD00188316500 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) |