基于浅层特征融合和不确定性的行人检索研究

作     者：李忠洋 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：李平

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：行人检索 行人重识别 不确定性 多尺度融合 

摘      要：随着国家在国内重要场所均部署了监控摄像头,视频监控信息化建设已经取得了日新月异的进展,对违法犯罪分子起到了重大的威慑作用。但是,监控场景的增多随之产生的监控数据也越来越多,靠人工方式检索目标对象,会造成一定的漏检和误检问题。近年来,由于深度学习技术的成熟,行人检索技术有了巨大的发展。但由于行人所处场景复杂多样,行人检索面临着行人尺度差异,检测结果不准确和所处场景拥挤等方面的问题。为了解决上述问题,提出了以下解决方法。(1)针对行人在不同场景中尺度不一的问题,提出了基于注意力的浅层多尺度特征融合模块。主干网络的浅层输出特征具有丰富的尺度信息,使用注意力机制去融合浅层的多尺度特征,对行人在不同场景中不同尺度之间的匹配搜索具有辅助作用。同时引入了自蒸馏模块,使用深层特征去帮助浅层的多尺度特征学习其所缺乏的深度语义信息,又进一步提升了搜索性能。(2)在端到端的行人检索中,检测分支和行人重识别分支是同时训练的,当检测框不准确时会提取含有噪声的行人特征,特别在拥挤场景中会大概率提取到他人的信息,噪声样本会影响行人重识别分支的性能。针对此问题,提出了基于不确定性的自适应行人检索,将每个检测框提取的特征样本看作一个高斯分布,通过采样更多样本参与训练,使模型去关注稳定的行人特征,忽略噪声样本的影响。为了验证方法的有效性,在PRW和CUHK-SYSU两个数据集上进行了大量的实验。实验结果表明,浅层多尺度融合模块可以有效提升在小尺度和跨尺度行人上的匹配性能。在不增加额外计算代价的情况下,基于不确定性的自适应方法也能帮助提升识别准确度。