计算机应用研究

作者：韩光,葛亚鸣,张城玮,

单位：南京邮电大学宽带无线通信技术教育部工程研究中心,南京210003；

关键词：行人再识别,SENet,去相关,奇异值分解,重排序,

基金：国家自然科学基金资助项目(61871445,61302156)；江苏省重点研发基金资助项目(BE2016001-4)；教育部—中国移动科研基金资助项目(MCM20150504)；江苏省高校自然科学研究资助项目(13KJB510021)；；

目前基于深度学习的行人再识别方法通常将分类网络作为基础网络进行训练，再用其提取行人图片的深度特征，最后在欧氏距离度量下计算特征间相似度并建立排序表。因此，分类网络的特征表达能力将影响到再识别的准确率，而特征表达之间的相关性也会使相似度计算存在误差。针对这些问题，采用精度更高的分类网络作为行人再识别的特征提取网络，并使用奇异值分解来降低权向量之间的相关性，优化深度学习过程。此外，使用基于K互近邻的方法，对候选库中需要检索的图片进行重排序，也将进一步提升再识别的精度。在Market-1501数据集上的实验结果表明，该方法能显著提高行人再识别的准确性。

来源：2020年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第5期