[發明專利]基于半監督訓練方式的行人重識別方法、裝置及介質有效
| 申請號： | 201910735333.1 | 申請日： | 2019-08-09 |
| 公開（公告）號： | CN110555390B | 公開（公告）日： | 2022-09-09 |
| 發明（設計）人： | 林修明;吳鴻偉;王國威;陳志飛;林淑強;杜新勝 | 申請（專利權）人： | 廈門市美亞柏科信息股份有限公司 |
| 主分類號： | G06V20/52 | 分類號： | G06V20/52;G06V10/774;G06V10/764;G06V10/82;G06N3/04 |
| 代理公司： | 廈門福貝知識產權代理事務所(普通合伙) 35235 | 代理人： | 陳遠洋 |
| 地址： | 361000 福建省廈門市*** | 國省代碼： | 福建;35 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 監督 訓練 方式 行人 識別 方法 裝置 介質 | ||
1.一種基于半監督訓練方式的行人重識別方法，其特征在于，該方法包括：
訓練樣本集生成步驟，基于半監督訓練方式使用采集的目標域樣本集和開源數據集構建訓練樣本集，所述訓練樣本集包括虛擬樣本集、目標域樣本集和開源數據樣本集；
深度殘差網絡訓練步驟，使用所述訓練樣本集對深度殘差網絡進行訓練得到訓練后的深度殘差網絡模型；
行人重識別步驟，對采集的行人圖像使用訓練后的深度殘差網絡模型進行識別，得到行人圖像的特征值；
其中，訓練樣本集生成步驟包括：
采集子步驟，采集目標域中的行人圖像并進行標記得到目標域樣本集；
虛擬樣本集生成子步驟，使用對抗網絡基于目標域樣本集生成初始虛擬樣本集，并借助聚類子單元為初始虛擬樣本集中的虛擬樣本添加偽標簽；
聚類子步驟，使用預訓練好的分類模型提取初始虛擬樣本集中虛擬樣本的高維特征，根據所述高維特征將初始虛擬樣本集中的虛擬樣本使用DBSCAN聚類算法進行分類，根據聚類算法結果為虛擬樣本添加偽標簽，得到虛擬樣本集；
其中，所述虛擬樣本的圖像大小是384*384的行人圖像；
其中，所述對抗網絡采用PG-GAN，在生成虛擬樣本時，平滑函數為：X＝X16pixel*(1-α)+X32pixel*α，其中α為平滑參數；
其中，所述深度殘差網絡訓練步驟包括：
初始處理子步驟，使用深度殘差網絡對訓練樣本集進行前三個處理階段的處理得到處理后的訓練樣本集；
處理子步驟，將處理后的訓練樣本集不進行下采樣操作后進行第四階段的處理得到再次處理后的訓練樣本集；
全局特征訓練子步驟，將再次處理后的訓練樣本集使用全局平均池化層進行池化操作后再進行卷積操作輸出至損失函數層；
局部特征訓練子步驟，將再次處理后的訓練樣本集使用瓶頸處理層進行降維處理添加人工掩膜再進行卷積操作輸出至損失函數層；
優化子步驟，使用Adam算法在優化前期實現更快的收斂速度，而優化后期使用sgd算法對深度殘差網絡的訓練過程進行優化，得到優化的深度殘差網絡；
其中，針對目標域樣本采用添加權重的TriHard損失函數和分類SoftMax損失函數的聯合損失函數，即A*(TriHard loss+SoftMax loss)，A為所添加的權重系數；針對開源數據樣本，采用不添加權重的TriHard損失函數和分類SoftMax損失函數的聯合損失函數。
2.根據權利要求1所述的方法，其特征在于，所述深度殘差網絡的層數為50層，包括四個順次相連的處理階段，每個處理階段包括一次下采樣處理和兩次殘差處理。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于廈門市美亞柏科信息股份有限公司，未經廈門市美亞柏科信息股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910735333.1/1.html，轉載請聲明來源鉆瓜專利網。
