張玉霞，車(chē)進(jìn)*，賀愉婷

（1.寧夏大學(xué) 物理與電子電氣工程學(xué)院，寧夏 銀川750021；2.寧夏沙漠信息智能感知重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川750021）

1 引 言

行人再識(shí)別［1］（Person re-identification，ReID）是指給定一個(gè)目標(biāo)監(jiān)控行人圖像，檢索跨攝像頭、跨時(shí)段拍攝的該行人圖像。行人再識(shí)別通常被視為一個(gè)度量學(xué)習(xí)問(wèn)題［2］。由于在安全和監(jiān)控方面有重要的應(yīng)用，因此行人再識(shí)別受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。隨著深度學(xué)習(xí)方法的廣泛應(yīng)用，不同算法的ReID性能迅速提高，但由于拍攝的行人圖像會(huì)受到背景、光照、人體姿態(tài)變化、遮擋等引起的顯著類(lèi)內(nèi)差異的影響，并且行人再識(shí)別研究［3-6］都假設(shè)同一個(gè)人穿著相同的衣服，如文獻(xiàn)［7］中提到的一名女嫌犯為躲避追捕，故意將黑色外套換成白色外套，行人再識(shí)別算法很容易將穿著不同、ID相同的行人識(shí)別錯(cuò)誤。因此，行人再識(shí)別仍是一項(xiàng)艱巨的任務(wù)。

為進(jìn)一步減少類(lèi)內(nèi)變化的影響，文獻(xiàn)［8］尋找最優(yōu)的仿射變換用來(lái)更好地區(qū)分不同的身份ID，提出PAN網(wǎng)絡(luò)，在不用額外的標(biāo)注情況下同時(shí)進(jìn)行行人對(duì)齊和學(xué)習(xí)判別性的特征描述。文獻(xiàn)［9］提出一個(gè)基于身體部位對(duì)齊的雙流網(wǎng)絡(luò)模型，可以將人體姿勢(shì)表示為部分特征圖，并將它們直接與外觀整體特征圖結(jié)合以計(jì)算對(duì)齊的行人部位表示。張良等人［10］提出將局部特征、全局特征和多粒度特征融合，提高行人再識(shí)別精度。文獻(xiàn)［11］首次將生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）引入到行人再識(shí)別中，利用生成的數(shù)據(jù)擴(kuò)充數(shù)據(jù)集來(lái)輔助訓(xùn)練，提升行人再識(shí)別精度。PTGAN［12］的提出主要是用來(lái)彌合不同數(shù)據(jù)集之間的領(lǐng)域差距。文獻(xiàn)［13］提出一種利用姿態(tài)以及外觀特征混合編碼的行人再識(shí)別算法，以解決攝像機(jī)視角造成的類(lèi)內(nèi)差異。PNGAN［14］將每個(gè)行人圖像生成8個(gè)標(biāo)準(zhǔn)姿態(tài)的假圖，最后將生成圖和原數(shù)據(jù)集圖像一起輸入識(shí)別網(wǎng)絡(luò)，在一定程度上消除姿態(tài)變化的影響。文獻(xiàn)［15］采用一個(gè)具有雙分支結(jié)構(gòu)的孿生神經(jīng)網(wǎng)絡(luò)，只學(xué)習(xí)與行人身份相關(guān)的特征。楊海倫等人［16］因行人存在遮擋問(wèn)題提出基于可變形卷積的CNN模型，并用CycleGAN解決相機(jī)風(fēng)格問(wèn)題。

以上方法主要是將行人進(jìn)行對(duì)齊或者用GAN生成不同相機(jī)風(fēng)格、不同姿態(tài)數(shù)據(jù)來(lái)擴(kuò)充訓(xùn)練集，再進(jìn)行分類(lèi)識(shí)別。不同于以上方法，本文在DGNet網(wǎng)絡(luò)［17］的基礎(chǔ)上提出改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的換衣行人再識(shí)別算法，不僅將GAN數(shù)據(jù)生成和行人再識(shí)別學(xué)習(xí)端對(duì)端結(jié)合起來(lái)，而且不需要任何輔助信息就能夠生成高質(zhì)量圖像，對(duì)ReID進(jìn)行圖像增強(qiáng)。生成模塊中的編碼器將每個(gè)行人分解為外觀編碼（衣服+鞋子+手機(jī)+包包+身份信息等）與結(jié)構(gòu)編碼（姿態(tài)+頭發(fā)+臉型+背景等）。通過(guò)切換外觀編碼和結(jié)構(gòu)編碼，生成模塊能夠生成高質(zhì)量的合成圖像，然后在線(xiàn)反饋給鑒別器進(jìn)行辨別真假，并用于行人再識(shí)別模塊提高行人識(shí)別精度。其中，鑒別模塊與行人再識(shí)別學(xué)習(xí)是共享的。通過(guò)在鑒別模塊中加入通道間的注意力機(jī)制模塊（Normalization-based Attention Module，NAM）［18］，突出網(wǎng)絡(luò)顯著特征，更好地辨別圖像真假，提高行人分類(lèi)識(shí)別的精度。用DenseBlock［19］替換DG-Net網(wǎng)絡(luò)中生成器與鑒別器的ResBlock，加強(qiáng)特征傳播，避免梯度消失問(wèn)題，再一次提高生成圖質(zhì)量與行人再識(shí)別精度。通過(guò)實(shí)驗(yàn)可知，本文算法在Market-1501、DukeMTMC-reID兩大公開(kāi)數(shù)據(jù)集上的rank-1/mAP分別達(dá)到95.7%/88.6%和87.1%/75.7%，證明本文算法并具有一定的優(yōu)勢(shì)。

2 網(wǎng)絡(luò)架構(gòu)

本文網(wǎng)絡(luò)架構(gòu)如圖1所示。圖像生成模塊與行人再識(shí)別模塊端對(duì)端結(jié)合起來(lái)，外觀編碼器和鑒別器是共用的，這也是行人再識(shí)別學(xué)習(xí)的主干。生成器通過(guò)自生成網(wǎng)絡(luò)和互生成網(wǎng)絡(luò)兩種映射合成假圖像，將數(shù)據(jù)集圖像與生成圖像一起輸入到鑒別器中判別真假，并且對(duì)其進(jìn)行分類(lèi)識(shí)別，提高行人再識(shí)別的識(shí)別精度。鑒別模塊包含主要特征學(xué)習(xí)、細(xì)粒度特征挖掘以及注意力機(jī)制NAM。通過(guò)不同角度進(jìn)行學(xué)習(xí)，網(wǎng)絡(luò)不僅能夠得到行人衣服等外觀的信息，而且學(xué)習(xí)到外貌等更細(xì)致的結(jié)構(gòu)特征，從而更好地鑒別圖像真假，提高識(shí)別精度。

圖1 網(wǎng)絡(luò)架構(gòu)Fig.1 Network structure

2.1 生成網(wǎng)絡(luò)

生成網(wǎng)絡(luò)框架圖如圖2所示。本文數(shù)據(jù)集中的真實(shí)圖像與身份標(biāo)簽用X=和Y=表示，其中N表示圖像的數(shù)量，yi∈[1，K]，K表示數(shù)據(jù)集中類(lèi)別的數(shù)量。給定訓(xùn)練集中兩幅真實(shí)圖像，通過(guò)生成模塊交換兩幅圖像的外觀與結(jié)構(gòu)代碼生成幾幅新圖像。生成網(wǎng)絡(luò)包括自生成網(wǎng)絡(luò)和互生成網(wǎng)絡(luò)，生成模塊由一個(gè)外觀編碼 器Ea：xi→ai、一 個(gè) 結(jié) 構(gòu) 編 碼 器：Es：xj→sj、一個(gè)生成解碼器G：(ai，sj)→xij以及一個(gè)區(qū)分生成圖像與原始圖像的鑒別器D組成。

圖2 生成網(wǎng)絡(luò)框架圖。（a）自生成網(wǎng)絡(luò)；（b）互生成網(wǎng)絡(luò)。Fig.2 Generate network frame diagram.（a）Self generation network；（b）Mutual generation network.

2.1.1自生成網(wǎng)絡(luò)

自生成網(wǎng)絡(luò)框架如圖2（a）所示。給定一對(duì)行人圖像xi，xj∈X（身份相同），首先生成模塊學(xué)習(xí)如何重建圖像，自生成網(wǎng)絡(luò)首先提取圖像xi的外觀特征ai以及其結(jié)構(gòu)特征si生成與原始圖像外觀、結(jié)構(gòu)均一致的假圖像，使用像素級(jí)損失函數(shù)：

自生成網(wǎng)絡(luò)同時(shí)會(huì)生成同一身份、不同結(jié)構(gòu)的圖像，因此采用圖像xi的結(jié)構(gòu)特征si與xt的外觀特征at生成圖像，同樣使用像素級(jí)損失函數(shù)：

這種跨圖像（相同身份但不同結(jié)構(gòu)）重建用外觀編碼器將相同身份的外觀聯(lián)系一起，減少類(lèi)內(nèi)變化。對(duì)于不同身份的圖像來(lái)說(shuō)，使用身份損失來(lái)區(qū)分不同身份。

其中，p(yi|xi)是基于外觀編碼預(yù)測(cè)xi屬于實(shí)際類(lèi)別y（iID）的概率。

2.1.2互生成網(wǎng)絡(luò)

互生成網(wǎng)絡(luò)框架如圖2（b）所示?；ド删W(wǎng)絡(luò)的輸入圖像為xi，xj∈X（身份不同，即yi≠y）j，主要是生成不同身份的圖像。該網(wǎng)絡(luò)提取圖像xi的外觀特征ai、結(jié)構(gòu)特征si和xj的外觀特征aj和結(jié)構(gòu)特征sj，通過(guò)交叉組合成新圖像和。其中生成圖像與xi外觀一致、xj結(jié)構(gòu)一致；生成圖像與xj外觀一致、xi結(jié)構(gòu)一致。這里，使用外觀和結(jié)構(gòu)編碼控制圖像生成，損失函數(shù)如式（4）和式（5）所示：

與自生成網(wǎng)絡(luò)一致，同樣采用身份損失判斷圖像身份ID是否一致。

其中p(yi)是預(yù)測(cè)屬于真實(shí)類(lèi)別yi的概率，并且使用對(duì)抗損失使生成數(shù)據(jù)的分布更接近真實(shí)數(shù)據(jù)的分布。如式（7）所示：

生成器的結(jié)構(gòu)圖如圖3所示，本文將DGNet網(wǎng)絡(luò)中的生成器模塊內(nèi)ResBlock模塊替換為DenseBlock模 塊。結(jié) 構(gòu) 圖 中 輸 入 圖 像xi、xt、xj，首先經(jīng)過(guò)外觀編碼器得到128個(gè)64×32的特征圖，經(jīng)過(guò)4個(gè)DenseBlock模塊之后，輸出依舊為128×64×32，特征圖不變。其次，進(jìn)行上采樣操作得到128個(gè)128×64的特征圖，第一次卷積是5×5，卷積后得到64個(gè)128×64的特征圖；同樣進(jìn)行上采樣操作得到64個(gè)256×128的特征圖，進(jìn)行第二次卷積操作得到32個(gè)256×128的特征圖；Conv3、Conv4、Conv5的卷積核分別為3×3、3×3、1×1，最終得到3×256×128大小的生成圖。

圖3 生成器結(jié)構(gòu)圖Fig.3 Generator block diagram

DenseNet是Huang等人［19］提出的 一 種 稠 密卷積網(wǎng)絡(luò)，它主要從特征的角度提高網(wǎng)絡(luò)性能，并且隨著網(wǎng)絡(luò)深度的增加，能夠避免梯度消失問(wèn)題。ResBlock主要含有一個(gè)跳躍連接，而Dense-Block中將所有的特征計(jì)算單元的結(jié)果以密連接的方式沿著某一維度進(jìn)行壓縮，不是進(jìn)行簡(jiǎn)單的求和。DenseBlock結(jié)構(gòu)如圖4所示。DenseBlock結(jié)構(gòu)圖中除了輸入端，還包含4個(gè)模塊，每個(gè)模塊均為4層。以X0作為輸入，通過(guò)Hi進(jìn)行非線(xiàn)性變化，依次進(jìn)行歸一化、激活函數(shù)以及卷積操作，然后傳遞到后續(xù)網(wǎng)絡(luò)。本文采用即插即用型模塊DenseBlock代替原來(lái)的ResBlock模塊，一方面能夠提取更多特征信息，另一方面改善網(wǎng)絡(luò)的特征提取能力，減少過(guò)擬合現(xiàn)象的出現(xiàn)。經(jīng)過(guò)Dense-Block之后，特征圖大小不變。DenseBlock結(jié)構(gòu)的任何兩層之間都是直接連接的，而每層的特征圖也會(huì)直接傳遞給其后的所有層，傳遞方式為：

圖4 DenseBlock結(jié)構(gòu)圖Fig.4 DenseBlock structure diagram

其中，[X0，X1，…Xl-1]表示從第0層到第l層生成的特征圖并且各個(gè)特征圖大小一致，可在通道維度上連接。

2.2 鑒別網(wǎng)絡(luò)

鑒別網(wǎng)絡(luò)框架圖如圖5所示，通過(guò)共享外觀編碼器Ea作為行人再識(shí)別學(xué)習(xí)的主干，將鑒別網(wǎng)絡(luò)（同是識(shí)別模塊）嵌入在生成模塊中。生成網(wǎng)絡(luò)通過(guò)外觀編碼和結(jié)構(gòu)編碼生成圖像，鑒別網(wǎng)絡(luò)中提出特征學(xué)習(xí)與細(xì)粒度特征挖掘以及新加入的通道間的注意力機(jī)制NAM三者進(jìn)行聯(lián)合學(xué)習(xí)判斷生成圖像真假，以更好地利用生成圖像。

圖5 鑒別網(wǎng)絡(luò)框架圖Fig.5 Discriminator network frame diagram

（1）主要特征學(xué)習(xí)。將真實(shí)圖像xi、xj與生成圖像xij、xji一起輸入Ea中作為訓(xùn)練樣本，由于生成圖像的多樣性，采用帶有身份損失的卷積神經(jīng)網(wǎng)絡(luò)（即教師模型）、外觀編碼器學(xué)習(xí)主要特征，通過(guò)損失函數(shù)將預(yù)測(cè)概率分布與真實(shí)概率分布差異降到最低。

其中，K表示身份類(lèi)別數(shù)量。

（2）細(xì)粒度特征挖掘。當(dāng)生成的圖像用主要特征學(xué)習(xí)無(wú)法判斷真假時(shí)，本文采用細(xì)粒度挖掘。當(dāng)相同身份的人穿著不同的衣服或者不同身份人穿著同樣的衣服時(shí)，鑒別模塊采用細(xì)粒度特征挖掘，使網(wǎng)絡(luò)被迫學(xué)習(xí)與衣服無(wú)關(guān)而與細(xì)粒度ID相關(guān)的特征（如頭發(fā)、體型等），進(jìn)一步提高鑒別能力與行人再識(shí)別分類(lèi)識(shí)別的精度。損失函數(shù)如式（9）所示：

該損失為鑒別模塊增加身份監(jiān)督，不僅學(xué)習(xí)到細(xì)節(jié)紋理特征，而且有利于解決行人外觀（如換衣）發(fā)生變化均導(dǎo)致識(shí)別下降的問(wèn)題。

（3）注意力機(jī)制NAM。鑒別網(wǎng)絡(luò)結(jié)構(gòu)圖如圖6所示。輸入原圖像xi、xj與生成器生成的圖像xi

圖6 鑒別網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Discriminator network structure diagram

j、xi

j，首先用1×1的卷積得到32個(gè)256×128的特征圖，然后經(jīng)過(guò)通道注意力NAM，這里特征圖大小不變。然后在經(jīng)過(guò)4次卷積核為3×3的卷積運(yùn)算，得到64個(gè)64×32的特征圖，并經(jīng)過(guò)4個(gè)DenseBlock模塊。這里后3個(gè)DenseBlock模塊前加入通道注意力NAM，不改變通道以及特征圖大小，依舊是64個(gè)64×32的特征圖。最后，經(jīng)過(guò)1×1的卷積得到一個(gè)64×32的特征圖，給出一個(gè)0～1之間的數(shù)值判斷圖像真假，同時(shí)對(duì)圖像進(jìn)行分類(lèi)識(shí)別。

除了主要特征學(xué)習(xí)與細(xì)粒度特征外，本文在鑒別器的第一次卷積之后與前3個(gè)DensesBlock模塊之后加入了2021年提出的新型注意模塊NAM，主要是通過(guò)利用訓(xùn)練模型權(quán)重的方差度量來(lái)突出顯著特征。以前的注意力機(jī)制模塊大多數(shù)都是通過(guò)抑制不重要的權(quán)重來(lái)提高神經(jīng)網(wǎng)絡(luò)的性能，NAM作為一種高效、輕量級(jí)的注意力機(jī)制，在保持相似性能的同時(shí)計(jì)算效率更高。采用CBAM［20］的模塊集成，并重新設(shè)計(jì)了通道和空間注意力模塊，使用標(biāo)準(zhǔn)化BN中的比例因子，如式（11）所示，測(cè)量通道的方差并指示其重要性。

式中，μB和σB分別表示小批量B的平均值與標(biāo)準(zhǔn)偏差；γ和β是可訓(xùn)練的仿射變換參數(shù)。通道注意力模塊如圖7所示。其中，F(xiàn)1表示輸入特征，γ是每個(gè)通道的比例因子，權(quán)重由公式Wγ=獲 得，Mc表 示 輸 出 特 征，如 式（12）所示：

圖7 通道注意力機(jī)制NAMFig.7 Channel attention mechanism NAM

2.3 總體損失函數(shù)

由2.1節(jié)與2.2節(jié)介紹可得，總體損失函數(shù)為：

2.4 參數(shù)設(shè)置

本文是基于PyTorch1.1、Python3.6深度學(xué)習(xí)框架下實(shí)現(xiàn)的。網(wǎng)絡(luò)模型中采用SGD優(yōu)化器來(lái)優(yōu)化外觀編碼器Ea，使用Adam優(yōu)化器來(lái)優(yōu)化結(jié)構(gòu)編碼器Es、生成器G和鑒別器D。本文參數(shù)β1=0，β2=0.999，設(shè) 置 初 始 學(xué) 習(xí) 率為0.001，共20個(gè)epoch，每個(gè)epoch迭代訓(xùn)練10 k次，批尺寸（Batch size）為16。訓(xùn)練過(guò)程中保持所有圖像的長(zhǎng)寬比，將大小統(tǒng)一為256×128。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境

本文在行人再識(shí)別算法的公開(kāi)數(shù)據(jù)集Market1501［21］、DukeMTMC-reID［22］上進(jìn)行實(shí)驗(yàn)。Market1501數(shù)據(jù)集共有1 501個(gè)行人的32 668個(gè)檢測(cè)行人矩形框，共6個(gè)攝像頭，包括訓(xùn)練集、測(cè)試集、查詢(xún)集。DukeMTMC-reID共有1 812個(gè)行人的36 411個(gè)檢測(cè)行人矩形框，由8個(gè)攝像機(jī)采集。因?yàn)橛?08人沒(méi)有出現(xiàn)在兩個(gè)攝像頭以上，所以只選擇1 404個(gè)行人作為訓(xùn)練集與測(cè)試集。該數(shù)據(jù)集包括訓(xùn)練集、測(cè)試集、查詢(xún)集。公開(kāi)數(shù)據(jù)集的詳細(xì)信息如表1所示。實(shí)驗(yàn)室擁有一臺(tái)具備4塊TITAN V GPU的圖形工作站，具備良好的開(kāi)發(fā)環(huán)境。本實(shí)驗(yàn)將在Ubuntu 16.04.5 LTS操作系統(tǒng)，TITAN V 12G×4顯卡，Pytorch1.1深度學(xué)習(xí)框架，python3.6的服務(wù)器下實(shí)現(xiàn)。

表1 公開(kāi)數(shù)據(jù)集詳細(xì)信息Tab.1 Public datasets details

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

行人再識(shí)別模型用首位命中率（Rank-1）、平均精度均值（mean Average Precision，mAP）和累計(jì)匹配曲線(xiàn)（Cumulative Match Characteristic，CMC）3種評(píng)價(jià)指標(biāo)衡量模型。這里，Rank-k表示在查詢(xún)集中行人特征相似度大小的排序列表中前k位存在檢索目標(biāo)的準(zhǔn)確率。

3.3 生成圖像示例

改進(jìn)網(wǎng)絡(luò)通過(guò)切換姿態(tài)與外觀生成大量的高質(zhì)量圖像。給定輸入圖像xi和xj，網(wǎng)絡(luò)模型提取輸入圖像的外觀特征以及結(jié)構(gòu)特征，既可以生成具有xi的外觀、xj的結(jié)構(gòu)的假圖像xi j，又能生成具有xj的外觀、xi的結(jié)構(gòu)的假圖像xj i。兩個(gè)數(shù)據(jù)集生成的圖像如圖8所示。

圖8 交換外觀與結(jié)構(gòu)生成圖像示例Fig.8 Examples of images generated by swapping appearance and structure

假設(shè)每行每列輸入圖像都一致，通過(guò)切換外觀或結(jié)構(gòu)代碼在Market-1501、DukeMTMC-reID上生成圖像的示例如圖9所示，可以看出橫軸行人生成外觀不同、結(jié)構(gòu)相同的假圖像；同樣地，縱軸行人生成外觀相同、結(jié)構(gòu)不同的假圖像。在Market1501、DukeMTMC-reID數(shù) 據(jù) 集 上，模 型分別生成共計(jì)140 625張、123 201張假圖像。雖然改進(jìn)生成對(duì)抗網(wǎng)絡(luò)方法能夠生成大量的高質(zhì)量圖像，但是由于數(shù)據(jù)集本身存在模糊、分辨率不高的問(wèn)題，并且圖像的背景影響導(dǎo)致生成的圖像會(huì)出現(xiàn)少許效果差的結(jié)果圖像，如圖10所示。

圖9 切換外觀或結(jié)構(gòu)代碼生成圖像的示例Fig.9 Examples of images generated by switching the appearance or structure code

圖10 少許失敗案例Fig.10 A few failure cases

3.4 實(shí)驗(yàn)結(jié)果

為了進(jìn)一步證明該網(wǎng)絡(luò)的有效性，使用相應(yīng)的評(píng)價(jià)標(biāo)準(zhǔn)計(jì)算得到了該算法的Rank-1和mAP，并與現(xiàn)有算法在Market1501、DukeMTMC-reID數(shù)據(jù)集上的結(jié)果進(jìn)行對(duì)比分析，如表2所示。

表2 本文算法與現(xiàn)有算法的比較Tab.2 Comparison of the algorithm in this paper with existing algorithms

將本文算法與8種基于GAN的ReID方法和5種有監(jiān)督的ReID方法進(jìn)行性能比較。針對(duì)基于GAN的ReID方法性能比較可知：對(duì)于Market1501數(shù)據(jù)集，從表2的實(shí)驗(yàn)結(jié)果可以分析到本文算法在Rank-1和mAP的指標(biāo)上均優(yōu)于其他算法（除TransReID之外），Rank-1相比于DG-Net、CSL+MGL、PAGAN、AP-GAN、TransReID分別提高了0.8%、0.3%、1.5%、2.2%、0.4%；mAP相比于DG-Net、CSL+MGL、PAGAN、AP-GAN、Trans-ReID分別提高了2.6%、2.5%、3.4%、6.4%、-0.9%。對(duì) 于DukeMTMC-reID數(shù) 據(jù)集，本文算法在Rank-1和mAP的指標(biāo)上僅次于CSL+MGL、TransReID算法。Rank-1相比于DGNet、CSL+MGL、PAGAN、AP-GAN、TransReID

分別提高了0.9%、-0.7%、1.5%、5.2%、-6.9%。針對(duì)5種有監(jiān)督的ReID方法性能比較可知：對(duì)于Market1501數(shù)據(jù)集，本文算法的Rank-1和mAP均優(yōu) 于 這5種 算 法，Rank-1和mAP分 別 比Euc、FGSAM、HOReID、MOPN、PAFM提高了1.9%、4.1%、1.4%、1.0%、0.5%和8.9%、3.2%、3.5%、3.5%、0.4%；對(duì)于DukeMTMC-reID數(shù)據(jù)集，本文算法的Rank-1和mAP高于FGSAM、HOReID算法，Rank-1和mAP分別比FGSAM、HOReID高1.2%、0.2%和1.6%、0.1%。說(shuō)明本文算法在Market1501上的效果更顯著。同時(shí)進(jìn)一步說(shuō)明本文算法具有一定的優(yōu)勢(shì)。綜上所述，所提算法不僅能夠較好地提高行人識(shí)別的精度，還使模型有較強(qiáng)的泛化能力。

3.5 不同改進(jìn)點(diǎn)的消融實(shí)驗(yàn)

本文主要有2點(diǎn)改進(jìn)：（1）使用新型注意力機(jī)制NAM；（2）將原有的DGNet網(wǎng)絡(luò)中的Res-Blocks替換為DenseBlocks，采用像素?fù)p失、對(duì)抗損失、身份損失等多種損失聯(lián)合優(yōu)化提高生成圖的質(zhì)量。以Market1501為例，對(duì)不同改進(jìn)點(diǎn)進(jìn)行性能評(píng)估，如表3所示。

表3 不同改進(jìn)點(diǎn)的性能評(píng)估Tab.3 Performance evaluation of different improvement points

4 結(jié) 論

本文提出改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的換衣行人再識(shí)別算法，是一種將生成對(duì)抗網(wǎng)絡(luò)（GAN）數(shù)據(jù)生成和行人再識(shí)別學(xué)習(xí)端對(duì)端結(jié)合起來(lái)的聯(lián)合框架，通過(guò)切換外觀與結(jié)構(gòu)編碼，生成模塊中的自生成網(wǎng)絡(luò)與互生成網(wǎng)絡(luò)生成大量圖像，鑒別模塊與生成模塊之間在線(xiàn)循環(huán)，將生成的圖像在線(xiàn)反饋給鑒別器，鑒別器通過(guò)主要特征學(xué)習(xí)、細(xì)粒度特征挖掘與注意力機(jī)制NAM三者聯(lián)合學(xué)習(xí)，進(jìn)一步提高鑒別器鑒別能力與行人再識(shí)別分類(lèi)識(shí)別的準(zhǔn)確率。生成器與鑒別器中的殘差塊ResBlock替換為DenseBlock，加強(qiáng)特征傳播并且大幅度減少參數(shù)數(shù)量。本文算法不僅解決了行人再識(shí)別數(shù)據(jù)集不足的問(wèn)題，而且提高了跨攝像頭下由于行人外觀（如衣服）改變的識(shí)別率，在圖像生成質(zhì)量和行人再識(shí)別分類(lèi)識(shí)別精度方面都有顯著的改進(jìn)，在Market1501和DukeMTMC-reID數(shù) 據(jù)集上Rank-1和mAP分別達(dá)到了95.7%/88.6%和87.1%/75.7%。