[发明专利]尖锐注意力网络、神经网络及行人再识别方法

说明书

本发明公开了一种尖锐注意力网络，包括一个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会生成一个基于可微的Gumbel‑Softmax采样的尖锐注意力掩膜，实现对细微局部区域特征的采样。该尖锐注意力网络能够实现对判别性细微局部特征的坚定判定，以准确提取细微局部特征。还公开了一种包含该尖锐注意力网络的神经网络。还公开了一种基于该神经网络的行人再识别方法。该行人再识别方法能够准确地识别行人。

技术领域

本发明属于计算机视觉、深度学习、人工智能领域，具体涉及一种尖锐注意力网络，一种包含尖锐注意力网络的神经网络以及基于该神经网络的行人再识别方法。

背景技术

随着以卷积神经网络为代表的深度学习技术的广泛流行，从原始图像中端到端地学习一个深度特征映射的方法，极大地促进了计算机视觉领域许多相关任务的进步，这些任务包括了图像分类、人脸识别、细致图像检索、行人重识别等。为了更有效地进行特征学习，除了使用更深的网络结构和各种各样的损失函数(例如交叉熵损失函数、三元组损失函数等)之外，计算机视觉领域的科研工作者深入研究了许多其他的方法。在这其中，注意力机制是近年来的一大创新方法，它能够聚焦于图像中最具判别性的部分，从而通过更好地区分有判别性的细节特征和无关特征。

当前存在的使用注意力机制的深度学习方法通常使用一个软的门控函数Sigmoid来得到注意力掩膜，该掩膜代表了在图像中挑选有判别性区域的权重。然而，Sigmoid函数的取值范围是[0,1]之间的连续值，因此存在一个显而易见的问题：当掩膜取值远离两个坚定自信的状态1(代表挑选)和0(代表不选)时，也就是掩膜取值为0到1之间的小数时，不能明确地确定该小数对应的特征是需要挑选的判别性特征，还是不挑选的普通特征，因此，该注意力掩膜具有极大的不确定性，即它并不能坚定自信地定位到有判别性的局部细微特征。的极具挑战性的识别问题

行人再识别领域是一类极具挑战性的识别问题，由于图片中行人较多，且行人之间的差距较小，所以对行人再识别就需要关注更多细节，即需要更准确果断地识别判别性特征，但是现有的基于函数Sigmoid的注意力机制具有极大的不确定性，因此，该基于函数Sigmoid的注意力机制在行人再识别领域显得很弱了，即很难准确地识别行人。举例说明，对于如图1(a)所示的原始图像，采用经典的识别方法识别到结果如图1(b)所示，从图1(b)可以得到书包部位是有过渡区域的，分界线不明显，采用基于函数Sigmoid的注意力机制对原始图像的识别结果如图1(c)所示，从图1(c)可得，虽然书包部位相对于图1(b)较清楚一些，但仍然会存在一部分过渡区域，分界线也不明显。

综上，在行人再识别以及其他许多的应用场合，都需要更尖锐的注意力产生机制以此来跟坚定自信的定位有判别性的细微局部特征。

发明内容

本发明的目的是提供一种尖锐注意力网络，该尖锐注意力网络能够实现对判别性细微局部特征的坚定判定，以准确提取细微局部特征。

本发明的另一目的是提供一种神经网络，该神经网络中包含有尖锐注意力网络，以使该神经网络能够准确地提取细微局部特征。

本发明的再一目的是提供一种基于神经网络的行人再识别方法，该行人再识别方法能够准确地识别行人。

为实现上述发明目的，本发明提供以下技术方案：

第一方面，一种尖锐注意力网络，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)，