[發明專利]基于神經架構搜索的行人重識別模型構建方法及裝置

在審

• 申請號: 201910964255.2
• 申請日: 2019-10-11
• 公開（公告）號: CN110852168A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 彭進業;曹蕊;張世周;王鵬;張艷寧;樊萍;趙萬青;張二磊;李斌
• 申請（專利權）人: 西北大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 黃小梧

1.一種基于神經架構搜索的行人重識別模型構建方法，其特征在于，按照以下步驟執行：

步驟1、獲得行人圖像數據集，所述的行人圖像數據集包括訓練數據集以及驗證數據集；

所述的訓練數據集以及驗證數據集均包括多組數據，其中每組數據包括多個類別數據，每個類別數據包括多幅行人圖像；

對于每幅行人圖像，該行人圖像本身為原樣本，與原樣本屬于同一類別數據的其他所有行人圖像均為正樣本，每組數據中除原樣本以及正樣本以外的其他所有行人圖像均為負樣本；

獲得行人圖像數據集中每幅行人圖像對應的類別，獲得標簽集；

步驟2、將所述的訓練數據集以及驗證數據集作為輸入，將所述的標簽集作為輸出，對初始網絡中進行搜索，獲得最優卷積單元；

所述的初始網絡包括多個卷積單元；

在搜索時采用式I的損失函數L：

其中，為交叉熵損失函數，x_i表示第i個原樣本，i＝1,2，…，M，M表示一組數據中原樣本的個數，y_i表示第i個原樣本的類別，S(x_i)表示第i個原樣本經過softmax激活后網絡分類器的輸出，F(x_i)表示第i個原樣本的特征數據，表示距離第i個原樣本最大的正樣本的特征數據，表示距離第i個原樣本最小的負樣本的特征數據，d表示閾值參數，d>0，(z)₊表示max(0,z)；

步驟3、利用所述的最優卷積單元重復堆疊，獲得初始行人重識別模型；

步驟4、將所述的訓練數據集以及驗證數據集作為輸入，將所述的標簽集作為輸出，訓練所述的初始行人重識別模型，獲得行人重識別模型。

2.如權利要求1所述的基于神經架構搜索的行人重識別模型構建方法，其特征在于，所述的步驟2中將所述的訓練數據集以及驗證數據集作為輸入，將所述的標簽集作為輸出，對初始網絡中進行搜索時，采用DARTS方法作為搜索策略。

3.如權利要求2所述的基于神經架構搜索的行人重識別模型構建方法，其特征在于，采用DARTS方法作為搜索策略對初始網絡進行搜索時，初始化訓練次數為150，網絡權重學習率為0.025，網絡架構學習率為3×10^-4。

4.如權利要求1所述的基于神經架構搜索的行人重識別模型構建方法，其特征在于，所述的損失函數L中閾值參數d＝0.3。

5.一種基于神經架構搜索的行人重識別方法，其特征在于，按照以下步驟執行：

步驟A、獲得待識別行人圖像；

步驟B、將所述的待識別行人圖像輸入至權利要求1-4任一項權利要求的基于神經架構搜索的行人重識別模型構建方法獲得的行人重識別模型中，獲得識別結果。