[發(fā)明專利]一種無監(jiān)督域自適應(yīng)的行人重識別方法

有效

• 申請?zhí)枺?/td>: 202010583041.3
• 申請日: 2020-06-23
• 公開（公告）號: CN111967294B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 徐健鋒;潘純杰;劉瀾;吳俊杰;鄒偉康;江飛翔
• 申請（專利權(quán)）人: 南昌大學(xué)
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/762;G06V10/82;G06K9/62;G06N3/08
• 代理公司: 南昌金軒知識產(chǎn)權(quán)代理有限公司 36129
• 代理人: 黨沖

本發(fā)明公開了一種無監(jiān)督跨域自適應(yīng)的行人重識別方法，該方法包括以下步驟；S1:在源域預(yù)訓(xùn)練初始模型；S2利用初始模型提取目標(biāo)域多粒度特征，生成多粒度特征分組集合,對每個(gè)分組集合計(jì)算距離矩陣；S3對距離矩陣進(jìn)行聚類分析，生成簇內(nèi)點(diǎn)和噪聲點(diǎn),估計(jì)簇中樣本的硬偽標(biāo)簽；S4根據(jù)聚類結(jié)果，估計(jì)每個(gè)樣本的軟偽標(biāo)簽用以處理噪聲點(diǎn),更新數(shù)據(jù)集；S5在更新的數(shù)據(jù)集上重新訓(xùn)練模型，直至模型收斂；S6根據(jù)預(yù)設(shè)的迭代次數(shù)，循環(huán)步驟2?5；S7將測試集數(shù)據(jù)輸入模型提取多粒度特征，根據(jù)特征相似度得到最終重識別結(jié)果；本發(fā)明利用源域和目標(biāo)域，挖掘目標(biāo)域數(shù)據(jù)天然相似性，在無標(biāo)簽的目標(biāo)域上提升模型準(zhǔn)確率，降低模型對標(biāo)簽的依賴性。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能、計(jì)算機(jī)視覺及圖像處理領(lǐng)域。具體涉及一種無監(jiān)督域自適應(yīng)的行人重識別方法。

背景技術(shù)

行人重識別是計(jì)算機(jī)視覺中的關(guān)鍵任務(wù)，其目的是使用提供的感興趣目標(biāo)行人，在不重疊的攝像機(jī)視圖中定位該目標(biāo)行人。由于行人重識別技術(shù)在安防應(yīng)用中的重要作用，受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。隨著大型數(shù)據(jù)集的提出和深度學(xué)習(xí)技術(shù)的快速發(fā)展，行人重識別技術(shù)在監(jiān)督形式上取得了令人滿意的性能。然而，在現(xiàn)實(shí)中對大型數(shù)據(jù)進(jìn)行身份標(biāo)注往往是非常耗時(shí)耗力的。無監(jiān)督的行人重識別方法被提出，用于解決該問題。如今對無監(jiān)督行人重識別方法的研究可以分為兩大類，即單域的行人重識別方法和跨域的行人重識別方法。在單域的行人重識別方法中，通常直接使用在單域上生成的模型應(yīng)用于其他數(shù)據(jù)集，該方法效果較差。因此對跨域行人重識別方法的研究具有極大的意義。

本發(fā)明是針對無監(jiān)督跨域的行人重識別方法的研究，對于無監(jiān)督跨域行人重識別而言，隨著對抗生成網(wǎng)絡(luò)的研究不斷深入和應(yīng)用。生成圖像技術(shù)已經(jīng)取得了較為滿意的成果。但是生成大量的圖像對計(jì)算機(jī)硬件要求非常高，從而在跨域行人重識別方法使用對抗生成網(wǎng)絡(luò)有較大的限制。對跨域行人重識別的研究還有另一種無監(jiān)督域自適應(yīng)的方法，該方法旨在僅僅使用源域的監(jiān)督信息來學(xué)習(xí)目標(biāo)域上最具有辨別性的嵌入特征。讓在有標(biāo)注的源域上訓(xùn)練好的模型適應(yīng)于無標(biāo)注的目標(biāo)域，以獲取在目標(biāo)域上的識別精度提升。與一般的無監(jiān)督域自適應(yīng)的任務(wù)不同的是：普通無監(jiān)督域自適應(yīng)任務(wù)中目標(biāo)域與源域共享類別，而行人重識別任務(wù)是一個(gè)開放集的無監(jiān)督領(lǐng)域自適應(yīng)任務(wù)。行人重識別任務(wù)中目標(biāo)域與源域的身份ID是不同的，并且源域的類別數(shù)目是不知的。所以該任務(wù)也更加貼近現(xiàn)實(shí)，也更具挑戰(zhàn)性。

無監(jiān)督領(lǐng)域自適應(yīng)在行人重識別上的技術(shù)方案可以分為三大類，即基于聚類的偽標(biāo)簽法、領(lǐng)域轉(zhuǎn)換法和基于圖像或特征相似度的偽標(biāo)簽法。本發(fā)明是發(fā)明人在研發(fā)過程中發(fā)現(xiàn)?；诰垲惖膫螛?biāo)簽方法受偽標(biāo)簽質(zhì)量的影響較大，三元組采樣往往存在不準(zhǔn)確的問題。并且該類方法往往會忽略含有重要知識的噪聲點(diǎn)。

發(fā)明內(nèi)容

為了克服上訴現(xiàn)有方法的不足之處，本發(fā)明提供了一種無監(jiān)督域自適應(yīng)的行人重識別方法。能夠充分的根據(jù)目標(biāo)域中數(shù)據(jù)的天然相似性和數(shù)據(jù)的軟標(biāo)簽，較大程度上克服在聚類階段忽略噪聲點(diǎn)的缺陷，并且在目標(biāo)域的訓(xùn)練階段，提出一種更加準(zhǔn)確的三元組采樣方法。本發(fā)明能夠一定程度上提升無監(jiān)督域自適應(yīng)行人重識別的模型性能。

本發(fā)明提供了一種無監(jiān)督域自適應(yīng)的行人重識別方法，該方法包括以下步驟：

S1、在有標(biāo)簽的源域預(yù)訓(xùn)練初始模型；

S2、利用初始模型提取目標(biāo)域多粒度特征，生成多粒度特征分組集合，對每個(gè)分組集合計(jì)算距離矩陣；

S3、對距離矩陣進(jìn)行聚類分析，生成簇內(nèi)點(diǎn)和噪聲點(diǎn)。根據(jù)聚類聚類結(jié)果估計(jì)簇內(nèi)點(diǎn)的硬標(biāo)簽；

S4、根據(jù)聚類結(jié)果，估計(jì)每個(gè)樣本的軟偽標(biāo)簽用以處理噪聲點(diǎn)，更新數(shù)據(jù)集；

S5、在更新的數(shù)據(jù)集上重新訓(xùn)練模型，直至模型收斂；

S6、根據(jù)預(yù)設(shè)的迭代次數(shù)，循環(huán)步驟2-5；

S7、將測試集數(shù)據(jù)輸入模型提取多粒度特征，根據(jù)特征相似度得到最終重識別結(jié)果，從而實(shí)現(xiàn)無監(jiān)督域自適應(yīng)行人重識別方法。