【技术实现步骤摘要】
行人重识别方法、装置、计算机设备及存储介质
本申请涉及机器学习
，特别是涉及一种行人重识别方法、装置、计算机设备及存储介质。
技术介绍
近年来，随着人工智能技术的快速发展，行人重识别技术(英文：Personre-identification，简称：RE-ID)受到越来越多的关注。行人重识别是利用计算机视觉技术判断图像中是否存在特定行人的技术。现有技术中，行人重识别任务一般是利用目标分类网络完成的。现有的目标分类网络包括卷积层，其中，卷积层用于提取输入图像的人物特征，人物特征用于确定输入图像中的人物是否为特定人物。然而，现有的目标分类网络中的卷积层包含的参数量较大，而用于行人重识别功能训练的训练样本的数量较少，因此，基于目标分类网络训练出来的行人重识别模型，容易发生过拟合的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够参数量少，网络泛化性能好的行人重识别方法、装置、计算机设备和存储介质。一种行人重识别方法，该方法包括：将目标图像输入至行人重识别网络中，行人重...
【技术保护点】
1.一种行人重识别方法，其特征在于，所述方法包括：/n将目标图像输入至行人重识别网络中，所述行人重识别网络包括深度可分离卷积层，所述深度可分离卷积层包括多个并行分支以及与所述多个并行分支级联的特征融合层，各所述并行分支由不同数量的深度可分离卷积模块串接构成；/n通过各所述并行分支对所述目标图像进行特征提取，并获取各所述并行分支输出的对应不同尺度信息的特征图；/n通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理，得到融合特征图；/n根据所述融合特征图进行行人重识别。/n
【技术特征摘要】
1.一种行人重识别方法，其特征在于，所述方法包括：
将目标图像输入至行人重识别网络中，所述行人重识别网络包括深度可分离卷积层，所述深度可分离卷积层包括多个并行分支以及与所述多个并行分支级联的特征融合层，各所述并行分支由不同数量的深度可分离卷积模块串接构成；
通过各所述并行分支对所述目标图像进行特征提取，并获取各所述并行分支输出的对应不同尺度信息的特征图；
通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理，得到融合特征图；
根据所述融合特征图进行行人重识别。
2.根据权利要求1所述的方法，其特征在于，所述深度可分离卷积层还包括通道注意力层，所述通道注意力层包括多个通道注意力单元，每个所述通道注意力单元与一个所述并行分支连接，且各所述通道注意力单元均与所述特征融合层连接；所述通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理之前，所述方法还包括：
对于各所述并行分支输出的对应不同尺度信息的特征图，通过与所述并行分支连接的通道注意力单元计算所述并行分支输出的对应不同尺度信息的特征图的通道权重；
根据所述通道权重对所述并行分支输出的对应不同尺度信息的特征图进行修正，得到修正后的通道特征图；
所述通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理，包括：
通过所述特征融合层对各所述修正后的通道特征图进行特征融合处理。
3.根据权利要求1所述的方法，其特征在于，所述深度可分离卷积层还包括空间注意力层，所述空间注意力层包括多个空间注意力单元，每个所述空间注意力单元与一个所述并行分支连接，且各所述空间注意力单元均与所述特征融合层连接；所述通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理之前，所述方法还包括：
对于各所述并行分支输出的对应不同尺度信息的特征图，通过与所述并行分支连接的通道注意力单元计算所述并行分支输出的对应不同尺度信息的特征图的空间权重；
根据所述空间权重对所述并行分支输出的对应不同尺度信息的特征图进行修正，得到修正后的空间特征图；
所述通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理，包括：
通过所述特征融合层对各所述修正后的空间特征图进行特征融合处理。
4.根据权利要求1所述的方法，其特征在于，所述深度可分离卷积层还包括级联的通道注意力层和空间注意力层，其中，所述通道注意力层包括多个通道注意力单元，所述空间注意力层包括多个空间注意力单元，每个所述通道注意力单元与一个所述并行分支连接，且每个所述空间注意力单元与一个所述通道注意力单元连接，各所...
【专利技术属性】
技术研发人员：戚风亮，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。