行人重識別之多信息融合
AANet: Attribute Attention Network for Person Re-Identifications
原文鏈接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Tay_AANet_Attribute_Attention_Network_for_Person_Re-Identifications_CVPR_2019_paper.pdf
這篇文章將注意力機制與屬性信息結合，利用了圖像的全局信息、局部信息、屬性信息、注意力機制，完成行人重識別，算法流程比較複雜，但是效果比較好。也進一步說明了充分利用屬性信息的重要性。
總共有四個分支：
-
全局信息(GFN)
提特徵+交叉熵損失，這部分沒什麼特別的。 -
局部信息(PFN)
![在這裏插入圖片描述]()
識別出人體的6個部分，從而對特徵圖進行分塊，之後的流程和全局信息相同。 -
屬性信息(AFN)
上分支(屬性分類)：
![在這裏插入圖片描述]()
該分支對圖像的各類屬性進行識別。
下分支(注意力機制)：
![在這裏插入圖片描述]()
選取幾類重要的屬性生成的attention map，合成AAM，使用閾值處理，過濾掉一些無用信息，得到最終的AAM。根據AAM對圖像進行識別。
融合以上4個分支的信息，進行行人重識別。
總結：這篇文章寫得有一些簡略，細節信息不是很明確，算法實現也比較繁瑣。除了爲我們提供一些新思路之外。以下兩點比較有意義：一、提醒了我們屬性信息的重要性。二、提供了各個損失函數之間比重的科學設置方法(homoscedastic uncertainty
learning)。這個可以仔細參考原文以及相關參考文獻。
完
歡迎討論 歡迎吐槽