针对单独采用生成对抗网络难以充分获取行人特征且聚类生成伪标签存在噪声的问题,提出了生成对抗网络进行风格迁移,融合空间和通道注意力机制,进行全局和局部特征标签细化的域自适应行人重识别模型(Style Transfer and Label Refine...
详细信息
针对单独采用生成对抗网络难以充分获取行人特征且聚类生成伪标签存在噪声的问题,提出了生成对抗网络进行风格迁移,融合空间和通道注意力机制,进行全局和局部特征标签细化的域自适应行人重识别模型(Style Transfer and Label Refinement, STALR)。该方法利用生成对抗网络和聚类的双重域自适应网络,融入注意力机制对行人的全局和局部特征进行提取,利用局部和全局特征的关系相互进行标签的细化,获取更准确的标签训练网络。实验结果表明,提出的模型在DukeMTMC-reID/Market1501作为源域,Market1501/DukeMTMC-reID作为目标域,mAP(Mean Average Precision)分别取得82.5%和71.8%,Rank-1分别取得93.8%和83.7%,识别效果优于现有域自适应行人重识别的算法。
暂无评论