基于改进损失函数的多阶段行人属性识别方法

摘要

视频监控场景下的行人属性(如性别和衣着样式等)的识别是一个重要但具有挑战性的计算机视觉任务.已有大量研究工作通过挖掘属性间的正相关性来提高模型性能,但对属性间负相关性的探索仍存在不足.为此,本文基于深度学习提出多阶段行人属性识别法(MPAR)来同时探索属性间的正、负相关性.具体为:第一阶段计算每个属性在训练过程中的损失函数值和正确率.第二阶段为平均损失较大且正确率较小的属性单独建立一个网络分支,其他属性仍保留在原分支上,然后两个分支联合预测所有属性.第三阶段新建两个网络分支,其结构同第二阶段的分支相同,优化新分支的参数,使其属性识别性能优于第二阶段.最终使用第三阶段的模型进行属性预测.此外,构建增大正负样本差异的改进损失函数(IDPNL),并将其应用于三个阶段的训练来进一步提升模型性能.在两个行人属性识别数据集RAP和PETA上的实验表明本文提出的模型相比于其他方法更为出色.