[发明专利]一种融合多注意力机制的行人重识别方法

权利要求书

1.一种融合多注意力机制的行人重识别方法，其特征在于，包括以下几个步骤进行：

步骤1、获取行人重识别数据集Market1501，并对数据集中的每张图片的大小进行归一化、随机裁剪和擦除数据增强，从而得到预处理后的图片集合，构成数据集L；

步骤2、将步骤1中得到的行人图片数据集L划分为训练集和测试集，并将训练集划分为多个批次，每个批次包含P个身份的行人，每个行人含有K张图片，即每个批次包含B张行人图片作为训练样本，其中B = P×K；每个训练样本图片的通道个数为C、高度为H、宽度为W；

步骤3、将训练集与测试集中每个行人图片所对应的真实标签分别记为和；

步骤4、构建融合多注意力机制的行人重识别网络；行人重识别网络将ResNet50模型作为骨干网络，在ResNet50模型的基础上，在其第1个、第2个和第3个残差块之后均加入通道注意力机制，然后在其第4个残差块之后加入空间注意力机制，紧接着在空间注意力机制之后，再加入批正则化，并将全连接层中神经元的个数改为N。

2.根据权利要求1所述的一种融合多注意力机制的行人重识别方法，其特征在于，所述步骤4包括：融入通道注意力机制、融入空间注意力机制、构建特征提取后端网络和进行智能训练；

其中，步骤4.1、融入通道注意力机制；

通道注意力网络CA包括三个支路，第一个支路依次包括：一个全局最大池化层、一个将输入特征通道数缩小r倍的卷积层、一个RELU激活函数以及一个将输入特征通道数增大r倍的卷积层；第二个支路除将全局最大池化层改为全局平均池化层以外，与第一个支路相同；第三个支路为跳跃连接，即输出等于输入；将第一个支路和第二个支路的输出经过逐元素相加后，再经过Sigmoid激活函数得到在通道维度上的权重偏好系数WC，然后将通道维度上的权重偏好系数WC和第三个支路的输出经过逐元素相乘即得到通道注意力模块的输出；

步骤4.2、融入空间注意力机制；

所述空间注意力网络SA包括两个支路，第一个支路依次包括：一个在通道维度上的求均值AVG操作和一个在通道维度上求最大值MAX操作，并将AVG和MAX得到的结果在通道维度上进行拼接，然后通过卷积层融合通道维度上的特征，紧接着通过一个Sigmoid激活函数得到在空间维度上的权重偏好系数WS；第二个支路为跳跃连接，即输出等于输入；将空间维度上的权重偏好系数WS和第二个支路的输出经过逐元素相乘即得到空间注意力模块的输出；

步骤4.3、构建特征提取后端网络；

后端网络包括一个批正则化BN层和一个全连接FC层；后端网络的输入为所述空间注意力网络SA的输出；

步骤4.4、进行智能训练；

以训练集作为所述行人重识别网络的输入，并以与训练集所对应的行人真实标签集合作为标签，采用Triplet Loss和Cross Entropy Loss作为损失函数，利用Adam优化算法对行人重识别网络进行训练，不断优化网络参数，最终得到最优的行人重识别网络，用于实现对从监控视频中截取出的行人进行重识别。

3.根据权利要求2所述的一种融合多注意力机制的行人重识别方法，其特征在于，步骤4.4中，行人真实标签集合和BN层之后得到的特征用于计算Triplet Loss，行人真实标签集合和全连接FC层之后得到的特征用于计算Cross Entropy Loss。