融合图通道注意力与多阶门控残差网络的换衣行人重识别模型

摘要

行人重识别（Re-ID）作为计算机视觉的重要任务，旨在跨摄像头实现行人身份的精准匹配。然而，换衣场景下的衣物特征变化导致传统ReID方法在特征提取和信息捕捉方面面临挑战。为此，提出一种融合图通道注意力与多阶门控残差网络的换衣行人重识别模型（AMGA-ResNet50）。首先，自适应图通道注意力模块（AGA）将图卷积理论引入换衣通道注意力机制中，将通道依赖关系建模为特征节点连接，通过图结构处理有效捕捉换衣行人的关键身份特征；其次，多阶门控聚合卷积模块（MOGA）通过多阶博弈机制和门控聚合的策略增强特征信息提取的能力。最后，改进三元组损失函数（ITL），通过引入正样本对的绝对距离约束，拉近正样本对之间的距离。实验结果表明，该模型在PRCC、Celeb-reID和DeepChange这3个公开换衣行人重识别数据集上的Rank-1和mAP分别达到了67.3%和64.7%、66.2%和19.0%以及59.4%和20.7%的性能，验证了其在换衣场景下的有效性。

关键词

换衣行人重识别 / 图通道注意力 / 多阶门控卷积 / 改进三元组损失