CN114663974B 一种融入位置感知注意力的行人重识别方法 （南京邮电大学）

一种融入位置感知注意力的行人重识别方法本发明提供一种融入位置感知注意力的行注意力模块属于轻量级结构，该模块融入个流行行人重识别标准数据集上取得了比传统21.一种融入位置感知注意力的行人重识别方法，其特征在于，包括将原始图片经过ResNet50网络前两层得到的输出特征图输入到位置感知注意力模块中进行处理和将位置感知注意力模块融入到ResNet50网络中所述的将原始图片经过ResNet50网络前两层得到的输出特征图输入到位置感知注意S3：将S2中所述两个关系矩阵Rθ,φ和Rθ,PE相加实现位置信息嵌入，经过归一化指数函所述的将位置感知注意力模块融入到ResNet50网络中进行训练S5：将位置感知注意力模块插入到ResNet50网络第特征图无池化操作的特征图记为S1.3将上述三个特征图按通二维特征矩阵和二维特征矩阵二维特征矩阵S2.1对不同的位置随机初始化不同的位置嵌入向量(0,-1)每向量按行排开构成二维位置编码矩阵PEe当,PE中所有参数随着训练过程更新；3S2.2将代表两张不同特征图的二维特征矩阵与S2.3将所述的二维特征矩阵与二维位置编码矩阵pee当相乘得S3.1将特征间的关系矩阵Rθ,φ和特征与位置S3.2将含位置信息的自相关权重系数矩阵f经过归一化指数函数，得到含位置信息的S4.1将所述含位置信息的归一化自相关权重系数矩阵fc与代表特征图的二维特征矩阵S4.2将二维空间位置关键信息矩阵转置后按通道还原为三维空间位置关键信息特征4[0003]行人重识别可以被认为是一个特征嵌入(feature-embedding)问题，理想情况下人(Wang,Xiaolong,etal.Non-localneuralnetworks.//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2018.)提出将非局部注意息；Dosovitskiy等人(DosovitskiyA,BeyerL,KolesnikovA,etal.Animageisworth16×16words:Transformersforimagerecognitionatsacle[J].arXiv:5前两层得到的输出特征图输入到位置感知注意力模块中进行处理和将位置感知注意力模[0011]所述的将原始图片经过ResNet50网络前两层得到的输出特征图输入到位置感知g分别按通道维度展平拉直为二维特征矩阵，对三维特征图θ和g对应的二维特征矩阵进行[0019]S1.1将输入特征图X∈Rb×c×h×w分别通过三个具有不同权重系数且输出通道数为[0021]S1.3将上述三个特征图按通道维度展和g对应的二维特征矩阵进行转置得到二维特征矩阵和二维特征矩阵6[0023]S2.1对不同的位置随机初始化不同的位置嵌入向量(pe(0,…⃞-1)),入向量按行排开构成二维位置编码矩阵PE中所有参数随着[0024]S2.2将代表两张不同特征图的二维特征矩阵与相[0025]S2.3将所述的二维特征矩阵与代表特征位置关系的矩阵[0030]S4.1将所述含位置信息的归一化自相关权重系数矩阵fc与代表特征图的二维特[0031]S4.2将二维空间位置关键信息矩阵转置后按通道还原为三维空间位置关键信息[0032]S4.3将输入特征图X∈Rb×行行人重识别标准数据集上取得了比传统网络模型和其他相关方法更好的识[0038]图3为本发明提供的一种融入位置感知注意力的行人重识别方法中提出的位置感7[0039]图4为本发明提供的一种融入位置感知注意力的行人重识别方法中ResNet50网络原始图片经过ResNet50网络前两层得到的输出特征图输入到位置感知注意力模块中进行处理和将位置感知注意力模块融入到ResNet50网络中进行训练和[0043]其中的将原始图片经过ResNet50网络前两层得到的输出特征图输入到位置感知8[0052]S1.1将输入特征图X∈Rb×c×h×w分别通过三个具有不同权重系数且输出通道数为[0054]S1.3将上述三个特征图按通道维度展和g对应的二维特征矩阵进行转置得到二维特征矩阵和二维特征矩阵[0055]S2将代表两张不同特征图的二维特征矩阵与相乘[0058]S4.2将二维空间关键信息矩阵转置后按通道还原为三维空间关键信息特征图在上述S3中加入步骤：将特征间的关系矩阵与特征与位置间的关系9[0063]S1.1将输入特征图X∈Rb×c×h×w分别通过三个具有不同权重系数且输出通道数为和特征图无池化操作的特征图记为oeRhw;[0065]S1.3将上述三个特征图按通道维度展和g对应的二维特征矩阵进行转置得到二维特征矩阵和二维特征矩阵[0067]S2.1对不同的位置随机初始化不同的位置嵌入向量(pe(0,…⃞-1)),入向量按行排开构成二维位置编码矩阵PE中所有参数随着[0068]S2.2将代表两张不同[0069]S2.3将所述的二维特征矩阵与二维位置编码矩阵相息的嵌入，得到含位置信息的自相关权重系数矩阵f=9XPE+BXP,此时[0074]S4.1将所述含位置信息的归一化自相关权重系数矩阵fc与代表特征图的二维特[0075]S4.2将二维空间位置关键信息矩阵转置后按通道还原为三维空间位置关键信息[0076]S4.3将输入特征图X∈Rb×WarmUp策略经过10个epoch将学习率提升到3.5×10-4，分别再经过30个epoch和60个epoch时学习率降至3.5×10-5和3.5×10-