[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

本發明公開了一種基于偽標簽自糾正的無監督行人重識別方法，該方法包括：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，使用源域數據集對算法模型M進行預訓練，使用算法模型M對目標域數據集提取第一目標特征，融合第一目標特征得到第二目標特征，使用第二目標特征進行聚類得到偽標簽，對偽標簽的質量進行評估并對質量差的聚簇進行糾正，將得到的結果作為偽標簽重復訓練算法模型M，使用算法模型M對目標域測試集提取第二目標特征并進行圖像匹配，得到行人重識別結果。

技術領域

本發明涉及計算機視覺技術領域，具體涉及一種基于偽標簽自糾正的無監督行人重識別方法。

背景技術

一般而言，行人重識別的任務是給定特定行人的一張圖片或一段視頻，檢索出該行人在不同攝像頭下的圖片或者視頻的過程。行人重識別技術可以為自動化監控及監控視頻分析提供有效幫助，極大提高監控視頻信息檢索的效率。然而，同一行人在不同攝像頭下的圖片有著衣著、光線強弱、遮擋、姿態變換、圖片畫質等等差異。這給行人重識別算法帶來了很大的挑戰。同時，公共場所中，大量行人的穿著較為類似，視覺效果很接近，這又大大增加了行人重識別任務的難度。

目前，主要的行人重識別方法主要分為有監督學習、半監督或無監督學習等幾類。有監督學習使用已有類別標簽的行人數據集進行監督式訓練，訓練得到的模型能夠較為準確的匹配出一個行人的圖片。這類方法的匹配準確率較高，但依賴于標簽，而對海量視頻里面的行人進行標記需要消耗大量的資源。另外，有監督學習的方法也難以直接遷移到大量無標簽的數據上使用。無監督學習的方法使用無標簽的數據進行訓練，不需要對行人圖片進行標記，可以節省大量人力資源，但是這類方法的效果相比有監督的方法有較大差距，也難以在實際中應用。因此，無監督學習中更為常見的做法是跨域無監督學習?？缬驘o監督學習即使用一個有標簽的數據(源域)以及無標簽的數據(目標域)進行訓練，使得算法在無監督的數據上表現良好。由于不同數據域之間的風格差異較大，在源域上經過訓練好的模型直接遷移到目標域上的表現并不好。因而對于跨域無監督行人重識別任務來說，主要的挑戰在于如何使用無監督的方法將源域的標簽信息有效的遷移到目標域上，使模型在目標域的表現良好。

大部分跨域無監督行人重識別方法都基于偽標簽估計來進行訓練。但是這種方法嚴重依賴于偽標簽的質量，算法的性能對于偽標簽的噪聲較為敏感。

發明內容

本發明的目的是為了解決現有技術中基于偽標簽估計的無監督行人重識別算法的上述缺陷，提供一種基于偽標簽自糾正的無監督行人重識別方法。

本發明的目的可以通過采取如下技術方案達到：

一種基于偽標簽自糾正的無監督行人重識別方法，基于分而治之的思想，分別處理偽標簽估計帶來的兩種常見的噪聲，從而提高行人重識別算法在無標簽的目標域數據集上的效果。本發明使用源域數據集預訓練算法模型M，隨后使用算法模型M對目標域數據集的行人圖片提取特征，通過計算跨攝像頭行人圖片對的特征距離作為聚類等方法獲取目標域數據集的偽標簽，隨后對聚類得到的結果使用質量評估公式進行質量評估，對含有大量噪聲的聚簇進行重聚類，降低噪聲規模，生成更高質量的偽標簽供算法模型M進行訓練。在特征學習方面，本發明使用融合網絡融合不同尺度的特征以學習一個更為魯棒的特征來表征每個行人的圖片。

一種基于偽標簽自糾正的無監督行人重識別方法，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；