隐蔽感应变压器,对人重新识别有二次注意力
概括
这项研究介绍了OAT,这是一种用于重新识别人 (ReID) 的新方法,可以解决闭塞挑战. OAT利用二次注意力和引导的融合来改善特征学习,并实现更准确的行人识别.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人的重新识别 (ReID) 面临着重大挑战,因为它在现实世界的场景中被封闭.
- 现有的方法通常会损害语义信息或增加网络复杂性,当解决封闭.
研究的目的:
- 提出一种新的方法,OAT,用于在闭塞下强壮的人重新识别.
- 通过捕捉高阶关系和动态调整特征重要性来增强特征学习.
主要方法:
- 采用一个变压器骨干,具有多个类代币,用于各种行人功能学习.
- 引入了第二级注意 (SOA) 模块,以捕捉全面的特征,并使用高效的近似配方.
- 建议使用透导向融合 (EGF) 模块来基于信息的动态重量级令牌,减轻封闭不确定性.
主要成果:
- 拟议的OAT方法在封闭和整体人重新识别数据集上都表现出有效性.
- SOA和EGF模块有助于学习更具歧视性的类代码表示.
结论:
- OAT提供了一种新且有效的方法来重新识别人,特别是在出现闭塞的情况下.
- 第二阶级注意力和导聚变的整合显著提高了ReID系统的稳定性和准确性.


