[發(fā)明專利]基于融合損失函數(shù)的行人重識(shí)別模型優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910308541.3
• 申請(qǐng)日: 2019-04-17
• 公開(kāi)（公告）號(hào): CN110059616A
• 公開(kāi)（公告）日: 2019-07-26
• 發(fā)明（設(shè)計(jì)）人: 江斌;任強(qiáng);戴菲;桂冠;王偉
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于融合損失函數(shù)的行人重識(shí)別模型優(yōu)化方法，其特征在于，包括以下步驟：

(1)利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到行人重識(shí)別模型后，利用交叉熵?fù)p失函數(shù)計(jì)算模型中每個(gè)行人圖像特征空間的損失；

(2)根據(jù)步驟1中計(jì)算得到的特征空間的損失值分布來(lái)設(shè)置損失閾值，并利用所設(shè)置的閾值構(gòu)造三元組對(duì)象；

(3)利用三元組對(duì)象構(gòu)造三重?fù)p失函數(shù)迭代優(yōu)化，得到優(yōu)化后的行人重識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的基于融合損失函數(shù)的行人重識(shí)別模型優(yōu)化方法，其特征在于，步驟(1)中所述的交叉熵?fù)p失函數(shù)為：

其中，p(x)、q(x)分別表示樣本真實(shí)分布和預(yù)測(cè)分布，x表示隨機(jī)樣本。

3.根據(jù)權(quán)利要求1所述的基于融合損失函數(shù)的行人重識(shí)別模型優(yōu)化方法，其特征在于：步驟(2)中所述的利用閾值構(gòu)造三元組對(duì)象，包括以下過(guò)程：

(1)選取特征空間差距小于閾值下限和大于閾值上限的行人樣本；

(2)從上一步的行人樣本中抽取若干個(gè)樣本，樣本個(gè)數(shù)記為B，樣本分別經(jīng)過(guò)嵌入層計(jì)算，得到B³個(gè)損失值；

(3)將損失值小于閾值下限的樣本標(biāo)記為正樣本圖片，將損失值大于閾值上限的樣本標(biāo)記為負(fù)樣本圖片，從訓(xùn)練數(shù)據(jù)集中隨機(jī)選擇一個(gè)樣本標(biāo)記為錨樣本圖片，正樣本、負(fù)樣本和錨樣本圖片構(gòu)成三元組對(duì)象。

4.根據(jù)權(quán)利要求1所述的基于融合損失函數(shù)的行人重識(shí)別模型優(yōu)化方法，其特征在于：步驟(3)包括以下過(guò)程：

(1)利用三元組對(duì)象構(gòu)造三重?fù)p失函數(shù)為

其中和代表正樣本、負(fù)樣本和錨樣本圖片，x代表模型中的樣本，i是樣本下標(biāo)，N為樣本總數(shù)，margin代表semi-hard triplets和hard triplets之間的距離，semi-hard triplets代表三重?fù)p失值介于閾值上限和閾值下限之間的特征值，hardtriplets代表三重?fù)p失值大于閾值上限的特征值，+表示[]內(nèi)的值大于零的時(shí)候，取該值為損失，小于零的時(shí)候，損失取為零；

(2)最小化該三重?fù)p失函數(shù)，即得到和正樣本之間的距離最小，且和負(fù)樣本之間的距離最大的模型樣本，得到優(yōu)化的行人重識(shí)別模型，用于后續(xù)行人圖像的匹配和識(shí)別。

5.一種行人重識(shí)別方法，其特征在于，所述行人重識(shí)別方法中用來(lái)匹配目標(biāo)行人圖像的行人重識(shí)別模型是采用權(quán)利要求1-4任一項(xiàng)所述的行人重識(shí)別模型優(yōu)化方法進(jìn)行優(yōu)化后所得到的行人重識(shí)別模型。