基于多池化融合与背景消除网络的跨数据集行人再识别方法

现有跨数据集行人再识别方法一般致力于减小2个数据集之间的数据分布差异,忽略了背景信息对识别性能的影响。针对上述问题,提出了一种基于多池化融合与背景消除网络的跨数据集行人再识别方法。为了兼顾全局特征和局部特征,同时实现特征的多细粒度表示,构建了多池化融合网络。为了使监督网络能提取有用的行人前景特征,构建了特征级有监督背景消除网络。采用结合行人分类损失及特征激活损失的多任务学习损失函数,在3个公开行人再识别数据集上对方法进行评估,当MSMT17作为训练集时,Market-1501上的跨数据集识别性能mAP为35.53%,相比ResNet50网络提升了9.24%;DukeMTMC-reID上的跨数据