[發(fā)明專利]一種基于分類權(quán)重等距分布損失模型的行人重識別方法

在審

• 申請?zhí)枺?/td>: 202011247963.3
• 申請日: 2020-11-10
• 公開（公告）號: CN112446305A
• 公開（公告）日: 2021-03-05
• 發(fā)明（設(shè)計(jì)）人: 劉杰豪;林旭;楊釗;陶大鵬
• 申請（專利權(quán)）人: 云南聯(lián)合視覺科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳中一聯(lián)合知識產(chǎn)權(quán)代理有限公司 44414
• 代理人: 唐佳芝

1.一種基于分類權(quán)重等距分布損失模型的行人重識別方法，其特征在于，包括以下步驟：

步驟1、將訓(xùn)練圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)，獲得圖片的高維特征表達(dá)向量，用于后續(xù)的分類學(xué)習(xí)；

步驟2、使用一個(gè)全連接層對行人特征進(jìn)行分類學(xué)習(xí)；在進(jìn)行分類之前，對全連接層的分類權(quán)重向量和步驟1獲得的行人特征向量進(jìn)行歸一化處理，再將歸一化后的特征輸入全連接層，得到分類損失；

步驟3、根據(jù)步驟2中全連接層歸一化后的每個(gè)分類權(quán)重向量，計(jì)算每個(gè)向量到其它所有權(quán)重向量之間的距離之和，得到等距分布損失；

步驟4、將步驟2和步驟3得到的分類損失和等距分布損失進(jìn)行結(jié)合，得到總的損失函數(shù)；

步驟5、利用步驟4得到的總損失函數(shù)訓(xùn)練并優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，最終得到訓(xùn)練好的網(wǎng)絡(luò)模型；

步驟6、將測試集的行人圖片輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，并得到對應(yīng)的特征向量，同時(shí)對這些特征向量進(jìn)行歸一化處理，得到最終的特征向量；將查詢集中行人圖片的特征向量逐一與候選集中行人圖片的特征向量進(jìn)行距離對比，根據(jù)距離結(jié)果排序，完成行人重識別任務(wù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟2所要求分類損失中，分類層中的偏置項(xiàng)被移除，輸入特征向量f與分類權(quán)重W都進(jìn)行了L2歸一化操作，即得到||f||和||W||，因此特征向量和分類權(quán)重都被投影到單位超球體中。令||f||＝s，其中s為控制超球體半徑的參數(shù)。最后得到歸一化的分類損失為其中f_i表示第i個(gè)樣本的特征，y_i代表f_i的真實(shí)標(biāo)簽，W_j代表分類層中第j個(gè)列向量，n為用于批量訓(xùn)練的樣本數(shù)量，C為訓(xùn)練類別總數(shù)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3中將用于分類的全連接層中的分類權(quán)值向量視為各類特征的特征中心，并將權(quán)重向量W進(jìn)行L2歸一化處理；歸一化操作后，各向量之間的歐式距離和夾角余弦距離為正相關(guān)關(guān)系，因此所求等距分布損失用夾角余弦距離表示為其中代表兩個(gè)分類權(quán)重向量和之間的角度，ε為避免等距分類損失在訓(xùn)練初期損失值過大的參數(shù)，C為訓(xùn)練類別總數(shù)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟4中用來訓(xùn)練網(wǎng)絡(luò)模型的總損失函數(shù)為歸一化分類損失與加權(quán)后的分類權(quán)重等距分布損失之和，用數(shù)學(xué)公式表達(dá)為：其中λ為等距分布損失的權(quán)重值。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟6中將提取到的測試集的行人特征進(jìn)行L2歸一化處理，再計(jì)算查詢集與候選集的歸一化特征之間的歐式距離，根據(jù)距離結(jié)果進(jìn)行排序，完成重識別任務(wù)。