本文介绍了《Parameter-Free Spatial Attention Network》论文，探讨了全局平均池化可能导致的信息丢失问题，并提出在GAP前添加Spatial Attention机制以改善。文中详细描述了采用ResNet-50作为backbone的网络框架，每个stage添加监督损失，并利用PCA对特征进行横向分割。在测试阶段，通过欧氏距离计算特征距离。Spatial Attention机制简单有效，但实际运行结果与论文所示存在差距，计划自行训练验证效果。
《Parameter-Free Spatial Attention Network for Person Re-Identification》
论文地址：https://arxiv.org/pdf/1811.12150.pdf
GitHub代码：https://github.com/HRanWang/Spatial-Attention
文章指出，全局平均池化Global average pooling (GAP)能够为回归问题聚焦出有效的信息，但也可能造成部分信息的丢失。因此作者在GAP前添加了一个spatial attention来改善问题，如下图所示，其中FCN表示全连接层FC。
文章将reid看成classification问题，提出的网络框架如下图所示，采用ResNet-50前4个stage作为backbone，并且每个stage都添加一个监
最低0.47元/天 解锁文章
扫一扫
238
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
