[发明专利]尖锐注意力网络、神经网络及行人再识别方法

权利要求书

1.一种尖锐注意力网络，其特征在于，包括用于对输入特征图进行采样的尖锐注意力掩膜产生器，该尖锐注意力掩膜产生器利用公式(1)产生尖锐注意力掩膜，即利用公式(1)对输入特征图进行采样，获得注意力特征图；

其中，表示位置(c,h,w)的采样概率，c代表通道，h代表高度，w代表宽度；τ代表采样退火参数，g_j是从Gumbel(0,1)中产生的独立同分布样本，即π₁定义为f(X_c,h,w)，

其中，X_c,h,w表示输入变量，max_c和min_c分别表示第c个通道上最大和最小的激活值。

2.如权利要求1所述的尖锐注意力网络，其特征在于，还包括设置于所述尖锐注意力掩膜产生器前，用于提取全面特征的上下文感知单元，即输入特征图即为上下文感知单元的输出，该上下文感知单元包括堆叠的卷积层和镜像的反卷积层。

3.如权利要求1所述的尖锐注意力网络，其特征在于，上下文感知单元为U-Net网络。

4.如权利要求1～3任一项所述的尖锐注意力网络，其特征在于，还包括将注意力特征图和输入特征图进行叠加补全的跨特征相互学习机制，其中，输入特征图为尖锐注意力掩膜产生器的输入特征图，或上下文感知单元的输入特征图。

5.一种神经网络，其特征在于，包括权利要求1～4任一项所述的尖锐注意力网络。

6.如权利要求5所示的神经网络，其特征在于，所述神经网络包括至少一个残差卷积模块，在至少一个残差卷积模块中，最后一个卷积层后连接有所述尖锐注意力网络。

7.一种基于权利要求5或6所述的神经网络的行人再识别方法，包括以下步骤：

构建权利要求5或6所述的神经网络模型，并用训练样本对该神经网络模型进行训练，确定模型参数，获得行人再识别模型；

将待识别图像输入到行人再识别模型中，经计算输出行人识别结果。

8.如权利要求7所述的行人再识别方法，其特征在于，神经网络模型为由4个残差卷积模块依序连接组成的ResNet，每个残差卷积模块的最后一个卷积层后连接有所述尖锐注意力网络。