《表1 时域池化模型在Mars和i LIDS-VID数据上的结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《时域模型对视频行人重识别性能影响的研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

（1）时域池化模型。首先考察在输入不同视频序列长度（即所包含的图片帧数）条件下的时域池化模型的效果，时域池化模型采用简单的平均方式，即在Baseline提取的图像级行人特征基础上，对每帧图像特征进行平均融合。实验结果如表1所示，实验中，每段视频送入的帧数T分别为1、2、4、8，采用Adam SGD优化方法，学习率设置为0.000 3，T=1对应的是基于图像的基准算法。从表1可以看出，与基于图像的基准算法(T=1）相比，加入时域池化模型后（即T≥2），基于视频的Re-ID方法在Rank-1、Rank-15、Rank-10、m AP指标上均有改善，例如T=4时在Mars数据集上对应的Rank-1和m AP分别提升了2.9个百分点和3个百分点，在i LIDS-VID数据集上对应的Rank-1和m AP分别提升了3.3个百分点和4.3个百分点。此结果证明了时域池化模型的有效性。