基于动态多任务平衡方法的行人属性识别深度学习网络

作者：孙志勇; 叶俊勇^*; 汪同庆; 雷莉; 连捷; 李阳

来源：计算机辅助设计与图形学学报, 2019, 31(12): 2144-2151.

DOI：10.3724/SP.J.1089.2019.17654

• 深度学习
• 属性识别
• 动态多任务
• 损失函数

深度学习网络是计算机视觉和人工智能系统的研究热点之一,行人属性识别提供了结构化的行人特征,为安防计算机视觉识别中行人检索提供了重要的信息.基于深度学习网络,提出了一种端到端的多属性识别方法,在R*CNN的基础上设计了一个端到端的行人属性识别网络,使用候选区域提取网络代替Selective Search提取第二重要的区域,建立属性识别与辅助区域提取一体化的网络,提升局部及细节属性识别的准确率;其次,为增加辅助区域的作用,将人体感兴趣区域按比例划分为整体、头、肩膀到腰及腰到脚4个部分,每个部分对应了不同属性,在任务分支层分出4个分支,使用主要区域预测对应属性的同时,分别从RPN中学习到对应的第二重要区域辅助预测;最后,提出了基于损失梯度的损失权值自动更新方法,即权重与损失的梯度逆相关,防止某个任务训练的过快或过慢.通过在行人属性数据库进行实验,整体提升了属性预测的准确率,大大缩短了识别时间.

• 单位
  长江师范学院; 电子信息工程学院; 重庆大学; 北京的卢深视科技有限公司