[發明專利]一種基于可微圖學習的行人重識別模型的弱監督訓練方法

在審

• 申請號: 202011303629.5
• 申請日: 2020-11-19
• 公開（公告）號: CN112395997A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 張吉祺;林倞;聶琳;王廣潤;王廣聰
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

1.一種基于可微圖學習的行人重識別模型的弱監督訓練方法，其特征在于，包括以下步驟：

S1：將行人圖片按拍攝時間段分組成袋并分配袋類別標簽；

S2：捕獲每一個袋中所有圖片之間的依賴關系，來為該類別的袋中每張圖片生成可靠的偽行人類別標簽，作為行人重識別模型訓練的監督信息；

S3：進行行人重識別模型和圖模型的一體訓練；

S4：將圖模型損失和重識別損失的線性組合作為總損失函數，利用反向傳播算法更新網絡所有層的參數。

2.根據權利要求1所述的基于可微圖學習的行人重識別模型的弱監督訓練方法，其特征在于，所述步驟S1的具體過程是：

用b表示包含p張圖片的一個袋，即b＝x₁，x₂，…，x_j，…，x_p，y＝y₁，y₂，…，y_j，…，y_p為行人類別標簽，用l表示袋類別標簽。

3.根據權利要求2所述的權利要求1所述的基于可微圖學習的行人重識別模型的弱監督訓練方法，其特征在于，所述步驟S2的過程是：

若弱監督行人重識別只有袋類別標簽l可用，需要先為每張圖片估計一個偽行人類別標簽，用一個概率向量Y表示；假設l類別標簽下的袋中包含n個行人類別，整個訓練集共有m個行人類別，用袋類別標簽限制Y，則每張圖片x_j的行人類別標簽的概率向量為：

4.根據權利要求3所述的基于可微圖學習的行人重識別模型的弱監督訓練方法，其特征在于，所述步驟S3的過程是：

定義一個有向圖，每個節點代表一個袋中的一張圖片x_i，每條邊代表圖片之間的關系，在圖上為節點x分配行人類別標簽y的能量函數為：

其中U和V分別表示節點和邊，Φ(y_i|x_i)是計算為圖片x_i分配標簽y_i的代價的一元項，Ψ(y_i，y_j|x_i；x_j)是計算為圖片對(x_i，x_j)分配標簽的懲罰的成對項，公式(2)消除了弱監督學習生成的錯誤的偽標簽；

公式(2)中的一元項定義為：

其中P_i是神經網絡為圖片x_i計算的行人類別標簽的概率，Y_i是公式(1)表示的袋限制，⊙表示逐元素乘積，[·]表示向量索引；

由于不同圖片的一元項輸出相互獨立，一元項不穩定，需要用成對項平滑：

其中用一個基于RGB顏色的高斯核計算外表相似度，超參數σ控制高斯核的尺寸，限制外表相似的圖片有相同的標簽；標簽兼容度ζ(y_i，y_j)用玻茨模型表示：

5.根據權利要求4所述的基于可微圖學習的行人重識別模型的弱監督訓練方法，其特征在于，袋類別標簽含有額外信息改善偽標簽的生成：將估計的偽標簽糾正為袋中預測分數最高的行人分類；促使部分圖片被分配到沒有被預測的行人類別。

6.根據權利要求5所述的基于可微圖學習的行人重識別模型的弱監督訓練方法，通過最小化公式(2)可以得到每張圖片的偽行人類別標簽：

其中{1，2，3，…，m}表示訓練集中所有的行人類別。