《表1 MPF网络消融实验》

  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

《基于多池化融合与背景消除网络的跨数据集行人再识别方法》

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

Res Net50网络、G-L网络和MPF网络的定量实验结果如表1所示。在3个数据集中，G-L网络的识别性能均明显优于Res Net50网络，Market-1501数据集上的m AP和Rank-1分别提升了7.42%和5.57%，Duke MTMC-re ID数据集上的m AP和Rank-1分别提升了6.87%和4.24%，MSMT17数据集上的Rank-1和m AP分别提升了5.15%和3.76%。实验结果表明，在特征提取时兼顾全局特征和局部特征可以提升行人再识别的性能。相较于G-L网络，MPF网络可进一步提升识别性能，在Market-1501数据集上Rank-1和m AP分别提升了3.93%和8.17%，在Duke MTMC-re ID数据集上Rank-1和m AP分别提升了5.04%和7.19%，在MSMT17数据集上Rank-1和m AP分别提升了6.07%和6.27%。因此在特征提取时采用不同的池化方式是有效的。MPF网络结合了全局特征和局部特征且构建了不同的池化方式，从而可以提取更多的有用信息，相比于Res Net50网络明显提升了行人再识别性能。