[發(fā)明專利]一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110436422.3
• 申請(qǐng)日: 2021-04-22
• 公開(kāi)（公告）號(hào): CN113326731A
• 公開(kāi)（公告）日: 2021-08-31
• 發(fā)明（設(shè)計(jì)）人: 何愛(ài)清;高陽(yáng);李文斌
• 申請(qǐng)（專利權(quán)）人: 南京大學(xué);江蘇萬(wàn)維艾斯網(wǎng)絡(luò)智能產(chǎn)業(yè)創(chuàng)新中心有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京泰普專利代理事務(wù)所(普通合伙) 32360
• 代理人: 方曉雯

1.一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法，其特征在于，包括如下步驟：

步驟S1、用ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的模型初始化骨干網(wǎng)絡(luò)；

步驟S2、利用源域數(shù)據(jù)集上帶標(biāo)記的數(shù)據(jù)進(jìn)行模型的預(yù)先微調(diào)以充分利用源域帶標(biāo)記信息；

步驟S3、利用源域數(shù)據(jù)集上通過(guò)設(shè)置不同隨機(jī)參數(shù)訓(xùn)練的模型初始化提出的動(dòng)量學(xué)習(xí)框架，并使用聚類(lèi)算法根據(jù)模型提取的特征進(jìn)行聚類(lèi)生成置信度為1的硬偽標(biāo)簽；

步驟S4、設(shè)計(jì)新的軟化的偽標(biāo)簽和損失函數(shù)與傳統(tǒng)損失聯(lián)合進(jìn)行訓(xùn)練優(yōu)化模型；

步驟S5、硬偽標(biāo)簽每輪迭代開(kāi)始前進(jìn)行更新，軟偽標(biāo)簽實(shí)時(shí)動(dòng)態(tài)更新，不斷迭代進(jìn)行偽標(biāo)簽生成和優(yōu)化步驟，直至模型收斂，將動(dòng)量網(wǎng)絡(luò)特征編碼部分用于測(cè)試。

2.如權(quán)利要求1所述的一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法，其特征在于，所述步驟S1進(jìn)一步為：

步驟S101、利用ResNet-50網(wǎng)絡(luò)作為backbone網(wǎng)絡(luò)，將其最后一層全連接層去除后額外加入兩層FC層，分別命名為FC-1000和FC-M_S；

步驟S102、利用在大型數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練的模型對(duì)相同參數(shù)進(jìn)行初始化。

3.如權(quán)利要求1所述的一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法，其特征在于，所述步驟S2進(jìn)一步為：

步驟S201、將行人圖像調(diào)整為相同尺寸256×128，設(shè)置網(wǎng)絡(luò)訓(xùn)練相關(guān)參數(shù)；

步驟S202、設(shè)置不同隨機(jī)種子進(jìn)行多次有監(jiān)督訓(xùn)練得到多個(gè)預(yù)訓(xùn)練模型，訓(xùn)練過(guò)程中采用交叉熵分類(lèi)損失和基于閾值的三元組損失。

4.如權(quán)利要求1所述的一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法，其特征在于，所述步驟S3進(jìn)一步為：

步驟S301、源域數(shù)據(jù)集訓(xùn)練好的兩個(gè)更優(yōu)模型分別用來(lái)初始化動(dòng)量框架中的主干網(wǎng)絡(luò)和動(dòng)量網(wǎng)絡(luò)，將目標(biāo)域劃分為訓(xùn)練集和測(cè)試集；

步驟S302、指定目標(biāo)域具體形成的類(lèi)別數(shù)M_t，聚類(lèi)算法首先根據(jù)模型對(duì)目標(biāo)域圖像提取的特征進(jìn)行無(wú)監(jiān)督聚類(lèi)，生成置信度為1的硬偽標(biāo)簽。

5.如權(quán)利要求1所述的一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法，其特征在于，所述步驟S4進(jìn)一步為：

步驟S401、利用動(dòng)量網(wǎng)絡(luò)輸出的分類(lèi)預(yù)測(cè)為主干網(wǎng)絡(luò)提供置信度小于1的軟分類(lèi)偽標(biāo)簽，利用動(dòng)量網(wǎng)絡(luò)輸出的特征分布設(shè)計(jì)基于Wasserstein分布距離的三元組標(biāo)簽；

步驟S402、更新軟損失，包括基于分類(lèi)預(yù)測(cè)的軟交叉熵?fù)p失和基于特征分布的軟三元組損失，與硬損失一起聯(lián)合更新訓(xùn)練網(wǎng)絡(luò)；

步驟S403、主干網(wǎng)絡(luò)通過(guò)梯度回傳進(jìn)行更新，動(dòng)量網(wǎng)絡(luò)通過(guò)對(duì)歷史的記憶和主干網(wǎng)絡(luò)實(shí)時(shí)參數(shù)進(jìn)行加權(quán)更新。

6.如權(quán)利要求1所述的一種基于動(dòng)量網(wǎng)絡(luò)指導(dǎo)的跨域行人重識(shí)別算法，其特征在于，所述步驟S5進(jìn)一步為：

步驟S501、聚類(lèi)算法生成的硬偽標(biāo)簽在每一輪epoch結(jié)束后根據(jù)新特征進(jìn)行重新分配，而動(dòng)量網(wǎng)絡(luò)提供的軟偽標(biāo)簽隨著網(wǎng)絡(luò)的優(yōu)化不斷在線更新；

步驟S502、硬偽標(biāo)簽更新后，相應(yīng)的三元組樣本中的正例和負(fù)例也要進(jìn)行重組；

步驟S503、返回步驟S302重復(fù)上述流程，不斷迭代進(jìn)行偽標(biāo)簽生成和優(yōu)化步驟直至模型收斂；

步驟S504、測(cè)試階段，利用動(dòng)量網(wǎng)絡(luò)特征編碼部分提取目標(biāo)域測(cè)試集中查詢圖像和搜索集圖像的特征，度量二者之間相似度，返回相似度從高到低的排序結(jié)果，計(jì)算評(píng)價(jià)指標(biāo)，完成行人重識(shí)別檢索任務(wù)。