ABD-Net：注意力驱动且多样化的行人重识别

注意力机制已被证明在行人重识别（Re-ID）中具有有效性。然而，所学习到的注意力特征嵌入通常既不具备自然多样性，也不具备非相关性，这会降低基于欧氏距离的检索性能。我们认为，强制实现多样性可以极大地补充注意力机制的优势。为此，我们提出了一种注意且多样化的网络（ABD-Net），该网络在整个网络中无缝集成了注意力模块和多样性正则化，以学习更具代表性、鲁棒性和区分性的特征。具体而言，我们引入了一对互补的注意力模块，分别关注通道聚合和位置感知。此外，还推导出一种新的高效正交约束形式，用于强制隐藏激活和权重的正交性。通过细致的消融研究，我们验证了所提出的注意力和多样性项各自对ABD-Net性能提升的贡献。在三个流行的基准数据集上，ABD-Net的表现始终优于现有的最先进方法。