摘要
行人属性识别(pedestrian attribute recognition,PAR)的目的是从输入图像中挖掘行人的属性信息.近年来,卷积神经网络(convolution neural network,CNN)的兴起在行人属性识别中获得了广泛的应用.现有的方法多采用属性不可知的视觉注意或启发式的身体部位定位机制来增强局部特征表达,而忽略了多模型集成所能够带来的提升,因此该领域内鲜少有集成算法的提出.为了进一步提高行人属性识别的性能,该文从CNN模型的预测概率角度入手,基于元学习提出了一种行人属性识别的概率集成算法(probabilistic ensemble learning method,PEM).在行人属性识别数据集RAP上的实验结果表明,该算法随着模型有效数的增加表现出递增的平均准确度(mean accuracy)和F1值(F1-score),且评测结果均优于多个典型的行人属性识别算法.
维普
万方数据