用于人员重新识别的无参数空间注意网络

全局平均池化（GAP）允许本地化判别信息以进行识别[40]。 虽然 GAP 帮助卷积神经网络处理对象的最具区分性的特征，但如果缺少这些信息，它可能会受到影响，例如 由于相机视点变化。 为了规避这个问题，我们认为通过建模高级特征之间的空间关系来关注对象的全局配置是有利的。 我们提出了一种新的人员重新识别架构，基于一个新的无参数空间注意层，将特征图激活之间的空间关系引入模型。 我们的空间注意力层在没有它的情况下不断提高模型的性能。 四个基准的结果表明，我们的模型优于最先进的模型，在 Market-1501 上实现 94.7% 的 rank-1 准确率，在 DukeMTMC-ReID 上达到 89.0%，在 CUHK03-labeled 上达到 74.9%，在 CUHK03 上达到 69.7% - 检测到。