【基于注意力机制的跨模态行人重识别的研究概述4400字】_第1页
【基于注意力机制的跨模态行人重识别的研究概述4400字】_第2页
【基于注意力机制的跨模态行人重识别的研究概述4400字】_第3页
【基于注意力机制的跨模态行人重识别的研究概述4400字】_第4页
【基于注意力机制的跨模态行人重识别的研究概述4400字】_第5页
已阅读5页，还剩1页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于注意力机制的跨模态行人重识别的研究概述 11.1注意力机制的分类 11.1.1空间注意力和通道注意力 1 21.2计算机视觉中的注意力机制 31.3基于注意力机制的行人重识别 41.1.1基于局部特征关联的行人重识别 4 5注意力机制背后的原理与人类的视觉系统密反对于输入图像特定的关键局部的特征往往能够给身份识别任务带来更好的结o根据注意力机制作用域的不同，注意力机制可以分为空重掩膜(mask)并加权输出，从而增强感兴趣的特定目标区域同时弱化不相关SAM)。SAM是基于通道进行全局平均池化以及全局最大池化操作，产生两个代最后再通过Sigmoid操作来生成权重图叠加回原始的输入特征图，从而使得目标通道注意力旨在显示的建模出不同通道(特征图)之间的相关性，通过深度来自适应地调整通道之间的特征响应。SENet的核心是压缩激励模块，主要分为全连接层生成与特征信道相对应的权值向量，从而对信要的尺度特征。另外还有有效通道注意力网络(efficientchannelattention,ECANet),利用1维的稀疏卷积操作来优化SE模块中涉及到的全连接层操作来大的是“先降维-再升维”的策略，利用两个多层感知机来学习不同通道之间的相关性，即当前的每一个特征图都与其它特征图进行交使是训练过程中没有意义的元素，也很难将其权重分配为0,同时要保证所有元近些年，注意力机制在计算机视觉中的研究工作越的网络模型SENet之外，残差注意力网络(ResidualAttentionNetwork,RAN),递归注意力卷积神经网络(RecurrentAttentionCo明显，能够得到更加丰富的细节，能够获得更加重要的行人特征。RAN有网络的基础上新增一个分支来提取注意力区域，并进行单独的训练，而RANRA-CNN算法相较于其他的行人重识别模型，并不需要行人框标注。三个网注意力机制是深度学习方法中一项有效突出在众多注意

人人文库> 全部分类> 教育资料 > 中学教育

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论