[發(fā)明專利]一種基于圖的直推式半監(jiān)督行人再識別方法

在審

• 申請?zhí)枺?/td>: 201911173132.3
• 申請日: 2019-11-26
• 公開（公告）號: CN111027421A
• 公開（公告）日: 2020-04-17
• 發(fā)明（設計）人: 常新遠;龔怡宏;魏星;洪曉鵬;馬智恒
• 申請（專利權(quán)）人: 西安宏規(guī)電子科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 孟大帥

1.一種基于圖的直推式半監(jiān)督行人再識別方法，其特征在于，包括以下步驟：

步驟1：使用有標簽行人數(shù)據(jù)訓練雙通道模型，得到基模型；

步驟2：使用基模型對無標簽行人數(shù)據(jù)進行特征提取，為提取到的無標簽行人數(shù)據(jù)特征建立圖模型，根據(jù)圖模型給予無標簽行人數(shù)據(jù)偽標簽，使用有標簽行人數(shù)據(jù)和帶有偽標簽的無標簽行人數(shù)據(jù)，構(gòu)建正負樣本對；

步驟3：使用圖模型賦予正負樣本對置信度，使用帶有置信度的正負樣本對共同微調(diào)步驟1所得基模型；

步驟4：重復步驟2、3，逐漸增加正負樣本對的難度和置信度，利用課程學習方法，訓練基模型至完全收斂，得到最終模型；

步驟5：利用最終模型，對驗證集數(shù)據(jù)進行特征提取并進行特征匹配，根據(jù)匹配結(jié)果，完成行人再識別。

2.如權(quán)利要求1所述的基于圖的直推式半監(jiān)督行人再識別方法，其特征在于，步驟1具體為：記有標簽行人數(shù)據(jù)為X^L，無標簽行人數(shù)據(jù)為X^U；定義屬于同一標簽的樣本對為正樣本對，不屬于同一標簽的樣本對為負樣本對；在雙通道模型中，其中一個通道模型為ResNet50，該模型的參數(shù)由學習得到，設為“學生”模型；另一個通道模型為ResNet50，該模型的參數(shù)由“學生”模型通過指數(shù)平均移動計算得到，設為“教師”模型，計算公式如下：

θ_t′＝αθ_t-1′+(1-α)θ_t

式中，θ_t為“學生”模型參數(shù)，θ_t′為“教師”模型參數(shù)；α為平滑系數(shù)，雙通道模型使用的損失函數(shù)包含三部分：基于特征的一致性損失函數(shù)，三元組損失函數(shù)，交叉熵損失函數(shù)，其中：

式中，L^CL為一致性損失函數(shù)，N為樣本數(shù)量，為L2范數(shù)的平方，η_i和η_i′為兩種不同的噪聲；

式中，為三元組損失函數(shù)，N為三元組的數(shù)量，f_θ(·)為“學生”模型提取行人圖像得到的特征；θ為“學生”模型的參數(shù)；分別為三元組中的錨樣本，正樣本，負樣本；α為三元組損失函數(shù)中的邊界參數(shù)；

式中，為交叉熵損失函數(shù)，σ為標準的softmax交叉熵損失函數(shù)，N為當前訓練批次有標簽行人數(shù)據(jù)的數(shù)量，y_i為當前訓練批次有標簽行人數(shù)據(jù)的標簽，ω為“學生”模型中最后一個全連接層的參數(shù)；

使用超參數(shù)λ₀將三元組損失函數(shù)和交叉熵損失函數(shù)進行結(jié)合，得到全監(jiān)督損失函數(shù)L^SL：

使用超參數(shù)λ₁將全監(jiān)督損失函數(shù)L^SL與一致性學習損失函數(shù)L^CL進行結(jié)合，得到有標簽行人數(shù)據(jù)的最終損失函數(shù)：

L^SL-CL＝L^SL+λ₁L^CL

使用有標簽行人數(shù)據(jù)的最終損失函數(shù)作為約束，使用有標簽行人數(shù)據(jù)對雙通道進行訓練，得到基模型。