《表7 在DukeMTMC-Reid数据集上的结果对比》

  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

《基于特征拼接的行人重识别》

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

本文所提模型在Market1501的Rank1和mAP分别为95.2%和86.0%。从表6可以看出本文所提模型的Rank1和mAP比PCB+RPP[11]、HSP[12]等先进算法均有显著的提高。PCB+RPP[11]使用的多判别性特征是局部特征，而局部特征在对齐时存在很大的挑战。本文所提模型只关注全局特征，通过多个分支提取全局特征弥补了训练过程中的信息丢失，而且通过使用瓶颈层代替分类层减小了过拟合，因此能够提取行人更丰富的特征，使行人的特征描述变得更有辨别力。从表7可以看出，本文所提模型在DukeMTMC-Reid的Rank1和mAP分别达到了86.7%和74.0%，相比其他算法有明显提高。从表8可以看出，本文所提模型在CUHK03的Rank1和mAP分别达到了68.3%和64.6%，同样也超过了其他的先进算法。实验结果表明本文通过拼接多分支提取的行人特征能够很好地对行人进行重识别。