1 湖北工业大学电气与电子工程学院，湖北 武汉 430068
2 美国南卡罗来纳大学计算机科学与工程系，南卡罗来纳州哥伦比亚 29201
针对当前跨模态行人重识别算法大多聚类能力不强、且难以提取高效辨别性特征的问题，提出了一种多粒度跨模态行人重识别算法。首先，在骨干网络Resnet50中加入非局部注意力机制模块，关注长距离像素之间的关系，保留细节信息；其次，采用多分支网络提取不同细粒度特征信息，增强模型的辨别性特征提取能力；最后，联合基于样本的三元组损失和基于中心的三元组损失监督训练，加速模型收敛。所提算法在SYSU-MM01数据集的全搜索模式下Rank-1和mean average precision分别达到62.83%和58.10%，在RegDB数据集的可见光到红外模式下Rank-1和mAP分别达到87.78%和76.22%。
光计算 跨模态 行人重识别 注意力机制 多粒度 三元组损失 激光与光电子学进展
2022, 59(22): 2220001
江西理工大学 信息工程学院, 江西 赣州 341000
针对角度Softmax损失强约束存在的问题, 提出一种用角度空间三元组损失对角度Softmax损失预训练模型进行微调的算法。算法首先对原来的卷积神经网络结构进行改进, 将1×1卷积核与池化层加在不同残差块间, 以进行选择更有效的特征。然后用角度空间下的三元组损失对预训练模型进行微调, 以降低困难样本的强约束条件。最后在测试时, 分别提取原始人脸图像特征和水平翻转的人脸图像特征, 对两个特征相加作为最终的人脸特征表达, 以丰富人脸特征信息, 提高识别率。实验结果表明, 在LFW和YTF人脸数据集分别取得了99.25%和94.52%的识别率, 在大规模人脸身份识别中, 本文提出的方法在仅用单模型和比较小的训练集就能有效地提高人脸识别率。
人脸识别 卷积神经网络 角度Softmax损失 三元组损失 特征相加 face recognition convolutional neural network angular Softmax loss triple loss feature addition
