[发明专利]行人重识别方法、装置、计算机设备及存储介质

说明书

本申请涉及一种行人重识别方法、装置、计算机设备和存储介质。所述方法包括：将目标图像输入至行人重识别网络中，所述行人重识别网络包括深度可分离卷积层，所述深度可分离卷积层包括多个并行分支以及与所述多个并行分支级联的特征融合层，各所述并行分支由不同数量的深度可分离卷积模块串接构成；通过各所述并行分支对所述目标图像进行特征提取，并获取各所述并行分支输出的对应不同尺度信息的特征图；通过所述特征融合层对各所述并行分支输出的对应不同尺度信息的特征图进行特征融合处理，得到融合特征图；根据所述融合特征图进行行人重识别。采用本方法能够提高行人重识别结果的精度。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种行人重识别方法、装置、计算机设备及存储介质。

背景技术

近年来，随着人工智能技术的快速发展，行人重识别技术(英文：Person re-identification，简称：RE-ID)受到越来越多的关注。行人重识别是利用计算机视觉技术判断图像中是否存在特定行人的技术。现有技术中，行人重识别任务一般是利用目标分类网络完成的。

现有的目标分类网络包括卷积层，其中，卷积层用于提取输入图像的人物特征，人物特征用于确定输入图像中的人物是否为特定人物。

然而，现有的目标分类网络中的卷积层包含的参数量较大，而用于行人重识别功能训练的训练样本的数量较少，因此，基于目标分类网络训练出来的行人重识别模型，容易发生过拟合的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够参数量少，网络泛化性能好的行人重识别方法、装置、计算机设备和存储介质。

一种行人重识别方法，该方法包括：

将目标图像输入至行人重识别网络中，行人重识别网络包括深度可分离卷积层，深度可分离卷积层包括多个并行分支以及与多个并行分支级联的特征融合层，各并行分支由不同数量的深度可分离卷积模块串接构成；

通过各并行分支对目标图像进行特征提取，并获取各并行分支输出的对应不同尺度信息的特征图；

通过特征融合层对各并行分支输出的对应不同尺度信息的特征图进行特征融合处理，得到融合特征图；

根据融合特征图进行行人重识别。

在其中一个实施例中，深度可分离卷积层还包括通道注意力层，通道注意力层包括多个通道注意力单元，每个通道注意力单元与一个并行分支连接，且各通道注意力单元均与特征融合层连接；通过特征融合层对各并行分支输出的对应不同尺度信息的特征图进行特征融合处理之前，方法还包括：

对于各并行分支输出的对应不同尺度信息的特征图，通过与并行分支连接的通道注意力单元计算并行分支输出的对应不同尺度信息的特征图的通道权重；

根据通道权重对并行分支输出的对应不同尺度信息的特征图进行修正，得到修正后的通道特征图；

通过特征融合层对各并行分支输出的对应不同尺度信息的特征图进行特征融合处理，包括：

通过特征融合层对各修正后的通道特征图进行特征融合处理。

在其中一个实施例中，深度可分离卷积层还包括空间注意力层，空间注意力层包括多个空间注意力单元，每个空间注意力单元与一个并行分支连接，且各空间注意力单元均与特征融合层连接；通过特征融合层对各并行分支输出的对应不同尺度信息的特征图进行特征融合处理之前，方法还包括：

对于各并行分支输出的对应不同尺度信息的特征图，通过与并行分支连接的通道注意力单元计算并行分支输出的对应不同尺度信息的特征图的空间权重；

根据空间权重对并行分支输出的对应不同尺度信息的特征图进行修正，得到修正后的空间特征图；