1.一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:包括如下步骤:S1:构建基于注意力校准模块的端对端的行人重识别网络;
S2:利用行人重识别网络生成特征图,并基于特征图来创建域不变特征补充分支和域特定特征全局分支,得到用于识别检索跨域行人对象的模型框架;
S3:利用域不变特征补充分支学习源域数据集的域不变特征信息,利用域特定特征全局分支学习源域数据集的域特定特征信息;
S4:对域不变特征信息和域特定特征信息进行线性加权得到融合特征,并对融合特征进行归一化得到模型的最终特征;
S5:基于模型最终特征使用度量学习计算特征之间的相似度,并按相似度进行排序。
2.根据权利要求1所述一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:S1中的行人重识别网络包括三个卷积块和两个注意力校准模块,原始输入特征依次经过两个卷积块、第一个注意力校准模块、卷积块和第二个注意力校准模块得到输出特征。
3.根据权利要求2所述一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:S1中的注意力校准模块包括两个卷积层、一个特征校准FCBN层和一个Sigmoid函数,输入特征fi依次经过第一个卷积层、特征校准FCBN层、第二个卷积层和Sigmoid层后,得到一个注意力校准的注意力掩码M,其公式定义为:M=Sigmoid(Conv2(FCBN(Conv1(fi))))其中,特征校准FCBN层表示为:
FCBN(X(n,c,h,w))=x(n.c,h,w)+ω·GFCBN层的输入特征采用的是第一卷积层的输出特征x,n代表批次的数量,c代表通道数,h、w表示输入图片的高度和宽度,X表示FCBN层的输出特征,ω是可学习的权重向量,G是特征X的统计信息;
将注意力掩码M的特征图添加到输入特征fi中以强调区分特征,得到一个注意力校准的输出特征FO,其表达式为:FO=fi·M+fi。
4.根据权利要求1所述一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:S2中的域不变特征补充分支和域特定特征全局分支分别由第一个注意力校准模块和第二个注意力校准模块引出。
5.根据权利要求1所述一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:S3中域不变特征补充分支的输出特征X(DIFSB)表示如下:X(DIFSB)=Conva2(IN(Relu(FCBNa2(Conva1(FCBNa1(xs))))))其中,xs表示从第一个注意力校准模块输出的特征,IN为风格归一化层,Conva1表示该分支的第一卷积层,Conva2表示该分支的第二个卷积层,FCBNa1、FCBNa2表示该分支的第一个特征校准FCBN层和第二个特征校准FCBN层。
6.根据权利要求1所述一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:S3中域特定特征全局分支的输出特征X(DSFGB)表示如下:X(DSFGB)=Convb(FCBNb2(Bottleneck(FCBNb1(xt))))其中,xt表示从第二个注意力校准模块输出的特征,Convb表示该分支的卷积层,用来降低特征通道数c,FCBNb1、FCBNb2表示该分支的第一个特征校准FCBN层和第二个特征校准FCBN层。
7.根据权利要求1所述一种基于注意力校准的双分支跨域行人重识别方法,其特征在于:S4对融合特征进行归一化得到的输出特征X为:X=Normalize(a×X(DSFGB)+b×X(DIFSB))其中,a,b表示权重系数,Normalize表示L2范数。