[發(fā)明專利]基于AdaRank的深度特征和傳統(tǒng)特征的集成方法

在審

• 申請?zhí)枺?/td>: 201710450306.0
• 申請日: 2017-06-15
• 公開（公告）號(hào): CN107292259A
• 公開（公告）日: 2017-10-24
• 發(fā)明（設(shè)計(jì)）人: 鄭蘇桐;郭曉強(qiáng);李小雨;姜竹青;門愛東
• 申請（專利權(quán)）人: 國家新聞出版廣電總局廣播科學(xué)研究院;北京郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司12209
• 代理人: 王利文

1.一種基于AdaRank的深度特征和傳統(tǒng)特征的集成方法，其特征在于包括以下步驟：

步驟1、將圖像數(shù)據(jù)進(jìn)行分割，針對不同部分分別構(gòu)造并訓(xùn)練深度卷及神經(jīng)網(wǎng)絡(luò)，用以獲得深度特征；

步驟2、從行人再識(shí)別數(shù)據(jù)中提取傳統(tǒng)特征，包括LOMO特征、ELF6特征、Hog3D特征；

步驟3、選取如下三種度量學(xué)習(xí)方法：KISSME、kLFDA和LMNN；

步驟4、將所有特征與三種度量學(xué)習(xí)方法進(jìn)行組合張成笛卡爾乘積，得到一系列弱排序器；

步驟5、利用AdaRank算法，對弱排序器進(jìn)行集成學(xué)習(xí)，最終得到強(qiáng)排序器。

2.根據(jù)權(quán)利要求1所述的基于AdaRank的深度特征和傳統(tǒng)特征的集成方法，其特征在于：所述步驟1的具體實(shí)現(xiàn)方法為：

根據(jù)圖像特點(diǎn)對數(shù)據(jù)進(jìn)行分割，分割依據(jù)是行人的不同身體部位；根據(jù)頭部、軀干、腿部的原則，每張圖片被分割為大小不等的三部分作為三種不同的訓(xùn)練數(shù)據(jù)，同時(shí)整體圖像作為一類數(shù)據(jù)；針對這四種不同數(shù)據(jù)，分別構(gòu)造四個(gè)結(jié)構(gòu)略有差異的深度卷積神經(jīng)網(wǎng)絡(luò)，該訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)采用了余弦距離作為樣本相似度的度量以及三重?fù)p失作為損失函數(shù)，該余弦距離定義如下：

S=B1(x)TB2(y)B1(x)TB1(x)B2(y)TB2(y)]]>

其中B₁和B₂是神經(jīng)網(wǎng)絡(luò)全連接層的輸出；

設(shè)有一對圖像序列集，P＝(p₁，p₂，...，p_m)是參考集，其中的p_i是參考集的第i個(gè)樣本；G＝(g₁，g₂，...，g_n)是備選集，其中的g_j是備選集的第j個(gè)樣本，S_ij表示p_i和g_j之間的余弦距離，對于p_i來說，正向損失指同類樣本之間距離過大造成的損失，定義如下：

Ji-pos=1KpΣIpi=Igjln(e-2Sij+1)]]>

負(fù)向損失指不同類樣本之間距離過小造成的損失，定義如下：

Ji-neg=1KnΣIpi≠Igjln(e2Sij+1)]]>

上面兩個(gè)式子中，I_k表示樣本k的身份，K_p和K_n分別表示同類樣本對和不同類樣本對的數(shù)量；損失函數(shù)的最終形式如下：

J_i＝J_i-pos+λJ_i-neg

其中，λ是一個(gè)用來平衡兩種損失的參數(shù)。