6、基于多特征融合与多阶段网络的人员重识别及动作分割技术

基于多特征融合与多阶段网络的人员重识别及动作分割技术

在计算机视觉领域，人员重识别和动作分割都是具有重要研究价值和广泛应用前景的任务。下面将详细介绍相关的技术方法和实验结果。

人员重识别方法

人员重识别旨在不同场景下准确识别同一个人，对于监控、安防等领域至关重要。为了提高人员重识别模型的性能，提出了基于全局特征融合的方法。

• 特征泛化模块的应用 ：在一些网络结构中，合理应用特征泛化模块能够有效提升模型性能。但并非所有位置都适合应用该模块，例如在某个模型中，第四残差块靠近预测层，包含更多图像的语义信息而非风格信息，在此处应用MixStyle模块无法达到提升泛化性能的目标。这表明，需要根据网络结构和特征信息的分布，合理选择特征泛化模块的应用位置。
• 参数 η 的影响 ：参数 η 是特征泛化模块输出特征融合程度的超参数。为了探究其对模型性能的影响，在Market1501和DukeMTMC - reID数据集上，将 η 设置在 0.1 到 0.9 之间进行对比实验。
  • Rank - 1 准确率 ：参数 η 对DukeMTMC - reID数据集的Rank - 1准确率影响更为明显。这是因为当模型性能达到一定水平后，相对容易识别的图像已被检索出来，进一步提升的空间有限。
  • mAP 准确率 ：在Market1501数据集上，当 η = 0.5 时可获得最高的mAP；而在DukeMTMC - reID数据集上，η = 0.2 时效果最佳。这是由于DukeM