[發明專利]一種基于偽標簽自糾正的無監督行人重識別方法

有效

• 申請號: 202011472231.4
• 申請日: 2020-12-14
• 公開（公告）號: CN112507901B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 呂建明;梁天保;林少川;莫晚成;胡超杰
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/30;G06V10/774;G06V10/26;G06V10/764;G06V10/762;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 詹麗紅

1.一種基于偽標簽自糾正的無監督行人重識別方法，其特征在于，所述的無監督行人重識別方法包括以下步驟：

S1、構建源域數據集、目標域數據集和目標域測試集，構建算法模型M，使用源域數據集的標簽數據對算法模型M進行預訓練，其中，目標域測試集包括查詢庫和圖像庫；

S2、使用算法模型M對目標域數據集的圖片提取特征圖，將特征圖進行分割，得到多個特征塊，對每個特征塊進行全局平均池化，將得到的所有特征拼接起來，得到第一目標特征；

S3、對步驟S2中得到的第一目標特征輸入到融合網絡中，得到第二目標特征；

S4、使用步驟S3中獲得的所有行人圖片的第二目標特征作為聚類算法的輸入，計算所有行人圖片的第二目標特征的歐氏距離，根據不同攝像頭的圖片對的第二目標特征的歐氏距離，通過公式計算得到聚類參數進行聚類得到偽標簽；

S5、根據當前訓練輪次判斷是否需要對步驟S4中獲得的偽標簽進行自糾正，如需要進行自糾正，則評估步驟S4得到的聚簇的質量，通過對質量分數較低的聚簇再聚類，將最終獲得的聚類結果作為偽標簽；所述的步驟S5的過程如下：

S51、根據訓練策略決定當前是否需要對步驟S4中獲得的偽標簽進行自糾正，其中，訓練策略包括以下其中一種：在訓練的前I_f輪進行自糾正、在訓練的后I_b輪進行自糾正、輪流進行自糾正或不糾正、超過C_ε以上的聚簇質量分數低于S_ε則進行自糾正，對步驟S4中得到的聚類結果進行質量評估，質量評估的計算公式如下：

其中，N_c表示第c個聚簇的行人圖片數，x_ia、x_ja表示第c個聚簇中的第ia、ja張圖片，且滿足ia≠ja，a_ia表示行人圖片x_ia的類內距離均值；N_t表示目標域數據集的總行人圖片數，x_ie表示不屬于第c個聚簇的剩余行人圖片，b_ia表示行人圖片x_ia的類間距離均值；通過對聚簇c的所有行人圖片都計算類內距離均值以及類間距離均值，進而計算對應圖片的輪廓系數；通過對第c個聚簇的所有行人圖片的輪廓系數求均值，得到該聚簇的質量評估分數S_c；

S52、通過對每個聚簇計算S_c，得到每個聚簇的自評估質量分數；

S53、選取自評估質量分數低于S_ε的C_k個聚簇，在這C_k個聚簇內部進行再聚類，從而將C_k個聚簇重新切割為C_m個小聚簇，其中，C_m＞＝C_k；

S54、將得到的C_m+C_t-C_k個聚簇作為最終的聚類結果，為每個聚簇分配一個聚簇id，聚簇id從0開始遞增至C_m+C_t-C_k-1，將每個行人圖片所在的聚簇id作為該行人圖片的偽標簽，用于進行后續的訓練；

S6、使用步驟S4或S5得到的偽標簽對算法模型M繼續訓練；

S7、計算softmax交叉熵損失函數的值并判斷該值是否收斂至L_s以下，若是，則執行步驟S8，否則重復進行步驟S2-S6，直至softmax交叉熵損失函數的值收斂至L_s以下；

S8、將目標域測試集的圖像輸入到經過訓練的算法模型M中，提取得到第二目標特征，將目標域測試集的查詢庫中所有行人圖片的第二目標特征與目標域測試集的圖像庫中的所有行人圖片的第二目標特征計算歐氏距離，根據歐氏距離的大小對目標域測試集的圖像庫中所有圖片進行排序，輸出對應順序的圖片作為重識別結果。