《表1 两种方法对基准模型的提升效果》
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%。
图表编号 | XD0066612400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.25 |
作者 | 徐龙壮、彭力 |
绘制单位 | 江南大学物联网工程学院物联网应用技术教育部工程中心、江南大学物联网工程学院物联网应用技术教育部工程中心 |
更多格式 | 高清、无水印(增值服务) |