[發明專利]一種基于自激勵判別性特征學習的行人重識別方法

有效

• 申請號: 201910348620.7
• 申請日: 2019-04-28
• 公開（公告）號: CN110163117B
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 魏振勇;魏龍;蔡登;金仲明;余正旭;黃建強;華先勝;何曉飛
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種基于自激勵判別性特征學習的行人重識別方法，其特征在于，包括以下步驟：

(1)選取一個已有的行人重識別網絡作為原始網絡，在該原始網絡上添加一個用于負面特征提取的負分支；

(2)在訓練階段，原始網絡產生分類損失函數，原始網絡和負分支之間產生對抗損失函數L_adv和互斥響應項，將分類損失函數、對抗損失函數和互斥響應項一起構成目標函數，并利用隨機梯度下降方法對整個網絡進行優化，直到目標函數收斂；原始網絡和負分支之間產生對抗損失函數的過程為：

(2-1)利用原始網絡的預測分布p_o和真實標簽y來構造負分支的預測分布p_n的殘差其中，1-y表示將向量y中每個位置的分量y_i改為1-y_i，而表示兩個向量之間對應位置相乘得到的向量，表示線性變換，將向量的分量之和歸一化為1；

(2-2)利用構造得到的p_n的殘差來構造它和p_n之間的函數，記為：

其中，L_adv為對抗損失函數，L_CE表示交叉熵；

所述互斥響應項公式為：

其中，F_o和F_n分別表示原始網絡和負分支對應位置的卷積模塊輸出的特征圖，·,·表示張量之間的內積，‖·‖₂表示Frobenius范數；

(3)在測試階段，移除負分支，只保留原始網絡在分類器之前的部分，作為訓練好的網絡模型，并輸入行人圖片進行抽取特征向量測試；

(4)在行人檢索階段，利用訓練好的網絡模型抽取行人圖片庫中每張圖片的特征向量，對于待查詢行人圖片，將待查詢行人圖片的特征向量和圖片庫中每張圖片特征向量進行相似度排序，選擇排序最靠前的圖片的身份作為最終識別結果。

2.根據權利要求1所述的基于自激勵判別性特征學習的行人重識別方法，其特征在于，步驟(1)中，所述的負分支從原始網絡的其中一個底層卷積模塊之后引出，結尾連接和原始網絡一樣的全連降維層和分類層。

3.根據權利要求1所述的基于自激勵判別性特征學習的行人重識別方法，其特征在于，步驟(2)中，原始網絡產生的分類損失函數為預測分布p_o和真實標簽y之間的交叉熵損失，計算公式為：

L_id＝L_CE(y,p_o)

其中，L_CE表示交叉熵。

4.根據權利要求1所述的基于自激勵判別性特征學習的行人重識別方法，其特征在于，對于不能保證卷積模塊輸出非負的網絡結構，在計算R之前先在特征圖上應用ReLU激活函數，ReLU(·)＝max(·,0)，保證輸出的特征值的非負性。

5.根據權利要求1所述的基于自激勵判別性特征學習的行人重識別方法，其特征在于，步驟(2)中，所述目標函數的公式為：

L(x,y)＝L_id+α₁L_adv+α₂R

其中，L_id為原始網絡產生分類損失函數，L_adv為原始網絡和負分支之間產生對抗損失函數，R為互斥響應項，α₁和α₂分別為兩個超參數，用來平衡不同損失之間的權重。

6.根據權利要求1所述的基于自激勵判別性特征學習的行人重識別方法，其特征在于，步驟(4)中，所述的相似度排序具體為：計算待查詢行人圖片的特征向量和圖片庫中每張圖片的特征向量之間的歐氏距離，依據歐式距離進行排序。