《表7 VIPe R数据集上不同模型的实验结果对比 (P=316)》

  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

《基于深度多视图特征距离学习的行人重识别》

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

%

为了进一步说明文中所提融合模型在VIPe R数据集上的有效性，在使用同一度量方法XQDA的前提下，使用融合模型、LOMO特征、Resnet-50模型和微调的Resnet-50模型得到的性能如表7所示。表7中的结果表明本文所提算法模型效果显著，由于LOMO特征强调HSV和SILTP直方图，因此它在特定照明条件下表现效果更佳。视角和光照的多样性是VIPe R数据集的特点，表7中的结果表明本文提出的加权融合模型在背景、照明和视点等方面有大幅变化的数据集上效果最明显，能够显著提高行人重识别的性能。本文提出的融合模型得到的性能优于LOMO特征，与单独使用LOMO特征以及使用F-Resnet-50模型提取卷积特征并对特征进行滑框操作得到的区域聚合特征进行距离度量相比，融合LOMO特征和深度区域聚合特征（DRIF）这两个特征距离能够得到较高的识别率，说明这两个特征距离的融合具有强烈的判别能力，并进一步表明本文提出的区域聚合特征是LOMO特征的互补特征。