《表1 两种方法对基准模型的提升效果》

  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

《基于多尺度卷积特征融合的行人重识别》

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

为了测试本文算法的有效性，分别把多尺度金字塔池化层和L2归一化层与基准模型结合，观察所提算法对基准网络的提升效果，结果如表1所示。在Market-1501上，基准网络使用金字塔池化（SPP）方法，rank-1精度和mAP分别提升了2.5%和1.8%，使用L2归一化权重和特征，rank-1精度和mAP分别提升了1.8%和2.8%，在DukeMTMC-reID数据集上两种方案的rank-1精度和mAP提升更大，说明本文应用的两种方法对于行人重识别的检测效果都有较好的提升。将这两种方法相结合，最终在Market-1501数据集上取得rank-1精度为91.36%，mAP为75.46%；若使用Zhong等[16]提出的重排列（Re-ranking）算法，则rank-1精度和mAP分别提升至93.29%和88.81%。在DukeMTMC-reID数据集上，rank-1精度为82.05%，mAP为65.97%，使用Reranking算法后，rank-1精度和mAP分别提升至86.49%和81.93%。