来源：期刊VIP网 时间：
作者：钱可;王先兵;林海;谢腾;李毅飞;
单位：武汉大学国家网络安全学院空天信息安全与可信计算教育部重点实验室;中铝智能科技发展有限公司;
摘要：现有行人重识别技术主要关注水平视角下的图像。在例如无人超市这类特定场景下，摄像头以俯视角度拍摄，仅能获得有限的行人信息。针对此问题，将多模态视觉Transformer应用于俯视图行人重识别任务，利用俯视数据集中额外的深度模态来提高俯视图的检索精度。具体而言，提出一种基于RGB(red,green,blue)与深度多模态视觉Transformer的特征提取方法，利用双流网络提取数据集的深度信息，自集成多个自注意力层的特征输出，以此作为最终的图像特征，并对损失函数进行改进，从而提高了模型的检索效果。通过在俯视图数据集TVPR(top-view person re-identification)和TVPR2上开展实验，结果表明:所提方法能有效提升检索效果，且超过了几种先进的俯视图行人重识别方法。
关键词：行人重识别;;视觉Transformer;;多模态;;俯视图;;自集成
基金资助：国家自然科学基金项目(编号:72132008)
