行人属性--HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis

HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis ICCV2017 https://github.com/xh-liu/HydraPlus-Net

本文首次将 attention idea 应用到 行人属性分析上来。

行人分析的难度还是比较大,因为不同场合分析的侧重点有所不同,有时需要侧重局部信息,有时需要侧重全局信息。Semantic-level、 Low-level、 Scales

本文提出了一个网络结构 HydraPlus-Net Architecture

其中 Attentive Feature Net (AF-net) 包含三个 multidirectional attention (MDA) modules

multi-directional attention (MDA) 结构示意图如下所示:

接下来我们来看看什么是 attention idea? 从 CNN 网络不同的 blocks 学习到的 attention maps 会对不同的尺度和结构产生响应 It is well known that the attention maps learned from different blocks vary in scale and detailed structure

从高层 block 学习到的 attention maps 更多的侧重 semantic 区域,更粗糙些 the attention maps from higher blocks (e.g. α 3 ) tend to be coarser but usually figure out the semantic regions like α 3 highlights the hand bag in Fig.4(a)

从底层block 学习到的 attention maps 更多的侧重 细节信息如边缘纹理 those from lower blocks (e.g. α 1 ) often respond to local feature patterns and can catch detailed local information like edges and textures, just as the examples visualized in Fig. 4(a)

这里我们使用 MDA 模块将各种层次的信息融合起来,使其更有表征能力 if fusing the multi-level attentive features by MDA modules, we enable the output features to gather information across different levels of semantics, thus offering more selective representations

attention modules 越多效果越好

HP-net and DeepMar 对比

针对行人属性分析我们建立了一个新的数据库 PA-100K dataset

性能对比

Person Re-identification

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习之旅

动态最优化经典面试题

最近看到了一条史前的算法面试题,觉得挺有意思的,虽然网上已经有了很多完善的答案,但是我还是想自己整理一遍,强化印象,同时也和大家分享一下这道12年的Google...

702
来自专栏大数据

Sophon+Slipstream实现流式KMeans聚类预测

随着数据规模和丰富度的不断提升,其价值越来越受到企业的重视。其中,机器学习在挖掘数据价值方面扮演着重要的角色,得到广泛应用。大数据概念的在各行各业的普及与深入,...

2215
来自专栏数据科学与人工智能

【算法】关联规则挖掘算法

小编邀请您,先思考: 1 关联算法有什么应用? 2 关联算法如何实现? 温馨提示:加入圈子或者商务合作,请加微信:luqin360 关联规则挖掘是一种基于规则的...

3628
来自专栏即时通讯技术

全面掌握移动端主流图片格式的特点、性能、调优等

图片通常是移动端应用流量耗费最多的部分,并且占据着重要的视觉空间。以大家最常用的即时通讯IM应用为例,应用中存在大量的图片数据往来(比如图片消息、用户相册、用户...

682
来自专栏IT大咖说

从UI到AI——移动端H5生成技术漫谈

1355
来自专栏腾讯技术工程官方号的专栏

如何节省 1TB 图片带宽?解密极致图像压缩

在不断出现的新格式被逐步应用之后,兼容性最好的传统老格式 JPEG 依然地位高居不下占据大幅带宽,如何在老格式上也继续挖掘优化点?

66310
来自专栏人工智能LeadAI

关联规则挖掘算法

关联规则挖掘是一种基于规则的机器学习算法,该算法可以在大数据库中发现感兴趣的关系。它的目的是利用一些度量指标来分辨数据库中存在的强规则。也即是说关联规则挖掘是用...

4135
来自专栏AI研习社

Java工程师转型AI的秘密法宝:深度学习框架Deeplearning4j | 回顾

深度学习是人工智能发展最为迅速的领域之一,Google、Facebook、Microsoft等巨头都围绕深度学习重点投资了一系列新兴项目,他们也一直在支持一些开...

3897
来自专栏新智元

【李飞飞团队最新研究】神经任务编程NTP,具有强大泛化能力的机器人学习框架

【新智元导读】斯坦福大学计算机视觉实验室李飞飞团队的最新研究提出一个新的机器人学习框架:神经任务编程(NTP),在机械臂的物品堆叠、分拣和桌面清理三类任务中,证...

3588
来自专栏腾讯大讲堂的专栏

微信亿级用户异常检测框架的设计与实践

月活用户越高的互联网产品,被黑产盯上的可能性就越大。本文将带你一窥究竟,微信是怎么做异常检测框架的?

1.4K8

扫码关注云+社区