[发明专利]一种集成注意力机制的行人重识别方法

权利要求书

1.一种集成注意力机制的行人重识别方法，其特征在于，所述识别方法包括以下步骤：

步骤一，构造嵌入多粒度注意力机制的CNN；

步骤二，把train数据集输入CNN训练CNN，得到CNN模型，其中CNN的损失函数为分类损失和Trihard损失之和；

步骤三，把gallery数据集输入到步骤二所述的CNN模型中，得到一个图片特征数据库，其中每个特征都有唯一的行人id；

步骤四，输入query图片得到特征，检索步骤三中的图片特征数据库计算出相似度，选出相似度最高的这张图片，这张gallery图片的行人id就是query图片的行人id。

2.根据权利要求1所述的一种集成注意力机制的行人重识别方法，其特征在于，步骤一中的CNN具体为：包含多个stage，每两个stage之间插入注意力模块；

所述注意力模块由卷积层conv、relu层、第一全连接层fc1、第二全连接层fc2、sigmoid层、tile层和element-wise层依次拼接而成；conv在通道维度上进行学习，并将通道数量压缩为1，将每张图片的输入张量的规模变成了二维平面；relu层起到非线性变换的作用，fc1起到在空间维度上的压缩作用，fc2起到在空间维度上的还原作用，fc1和fc2整体对特征图的筛选过滤；sigmoid层执行sigmoid运算，其输出结果为每个通道上的掩码矩阵；tile层在通道维度上进行广播运算，elment-wise层对经过tile运算的张量和原输入张量进行相乘运算。

3.根据权利要求2所述的一种集成注意力机制的行人重识别方法，其特征在于，对所述注意力模块进行参数设置，具体为：conv的输入通道数为C，输出通道数为1，卷积核大小为1x1，偏置为true；fc1层输入特征数为H x W，输出特征数为H，fc2层的输入特征数为H，输出特征数为H x W。

4.根据权利要求2所述的一种集成注意力机制的行人重识别方法，其特征在于，所述注意力模块的计算流程为：

步骤1.1，conv接收前一个stage输入，记为A，规模为(n x C x H x W)，并执行卷积运算；其中，n为训练批次大小，C为通道数量，H为特征图高度，W为特征图宽度，输出规模变为(n x 1 x H x W)；

步骤1.2，在特征维度上进行归一化操作；

步骤1.3，relu层接收GroupNorm后的输出，执行relu运算；

步骤1.4，fc1层接收relu层输出，执行全连接运算，输出规模变为(n x 1 x H x 1)；

步骤1.5，fc2层接收fc1层输出，执行全连接运算，输出规模变为(n x 1 x H x W)；

步骤1.6，对步骤1.5输出结果执行sigmoid运算；

步骤1.7，对上一步结果执行在通道维度上的广播运算，输出规模变为(n x C x H xW)，记为B；

步骤1.8，对A与B进行elment-wise运算，运算结果记为C，C的规模是(n x C x H x W)，输出C到后一个stage。

5.根据权利要求4所述的一种集成注意力机制的行人重识别方法，其特征在于，所述步骤1.2中执行GroupNorm操作在特征维度上进行归一化。