Learning convolutional multi-level transformers for image-based person re-identification

doi:10.1007/s44267-023-00025-8

Learning convolutional multi-level transformers for image-based person re-identification

2023-10-13

0

OA

AI

DOI：10.1007/s44267-023-00025-8

原文链接

原文求助

摘要

En 中文

摘要作为一项重要的视觉任务，人员重识别（Re-ID）旨在从非重叠相机中检索同一人员。由于存在复杂背景、多样的光照条件以及不同的视角，该任务极具挑战性。本研究整合了卷积神经网络（CNNs）和Transformer的优点，提出了一种名为卷积多级Transformer（CMT）的新型学习框架，用于基于图像的人员Re-ID。具体而言，我们首先提出了一种尺度感知特征增强（SFE）模块，用于从预训练的CNN骨干网络中提取多尺度局部特征。随后，引入了一种部件感知Transformer编码器（PTE），以全局语义为指导进一步挖掘具有判别性的局部信息。最后，采用深度监督学习（DSL）技术来优化所提出的CMT，并提高其训练效率。在四个大规模Re-ID基准上的大量实验表明，我们的方法与几种最先进的方法相比表现出良好的性能。

Learning convolutional multi-level transformers for image-based person re-identification

摘要

期刊

机构

引用论文