[發明專利]一種基于通道特征聚合的行人重識別方法

在審

• 申請號: 202110524584.2
• 申請日: 2021-05-13
• 公開（公告）號: CN113283320A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 徐增敏;陸光建;蒙儒省;丁勇
• 申請（專利權）人: 桂林安維科技有限公司;桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林文必達專利代理事務所(特殊普通合伙) 45134
• 代理人: 張學平

本發明公開了一種基于通道特征聚合的行人重識別方法，主要創新點有：一是在殘差塊的末尾再接一個SE Block結構，提高了網絡對通道特征的提取能力；二是結合ReLU和權重偏置項提出了2個新的激活函數WReLU和LWReLU，有效提高神經網絡對全局特征的表征能力；三是在Split?Attention和SE Block中應用LWReLU，提高了Split?Attention計算各組特征圖的權重能力和SE Block對通道特征的提取能力，四是應用了新型的損失函數Circle Loss，使得模型能更為靈活的優化，能更為明確的收斂目標，進而提高模型的性能。

技術領域

本發明涉及神經網絡技術領域，尤其涉及一種基于通道特征聚合的行人重識別方法。

背景技術

國內外現有的一些研究方向是以捕捉局部特征去識別行人，就實用性來說，此類方法可以適應一些場景，然而準確性卻得不到保證，往往不能達到較高的識別準確率，那么就會造成很大的影響。其局限性還包括使用的場景較少，因為提取的特征比較少，在實驗條件下的數據可能會比較優異，而在進行不同的實地場景實驗時，由于光線、天氣、風級等客觀因素會擾亂既定的捕捉特征。寬泛地講，由于特征較少，盡管有一定的準確率，但是不可能大規模應用在實際生活里面。

傳統的基于深度學習的行人重識別算法，大多通過簡單的堆疊網絡的層數或是大量增加數據的量以提高準確率。但如此做的同時，不可避免的會使神經網絡的體積變得臃腫，而且會出現梯度彌散或梯度爆炸等問題。并且，目前深度學習中監督學習大多適用于圖像數據，而行人數據由于光線、遮擋等因素，特征提取較難，導致模型性能降低。

發明內容

本發明的目的在于提供一種基于通道特征聚合的行人重識別方法，提高模型性能。

為實現上述目的，本發明提供了一種基于通道特征聚合的行人重識別方法，包括以下步驟：

對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型；

對獲取的圖像進行隨機的數據增強，并將劃分出的多個數據集分別輸入所述行人重識別模型中進行訓練和驗證，得到對應的置信度分數；

對所述置信度分數進行歸一化處理，并采用正則化策略進行過擬合抑制，得到預測概率值。

其中，對原始殘差網絡進行分割和加權組合，并結合注意力機制，構建行人重識別模型，包括：

利用1x1卷積分離通道，并將輸入數據分成多個小組，以及將每個所述小組劃分為多個小塊；

將所有所述小組和所述小塊進行分組融合，并結合注意力機制，構建行人重識別模型。

其中，將所有所述小組和所述小塊進行分組融合，并結合注意力機制，構建行人重識別模型，包括：

將每個所述小組中的所有所述小塊通過1x1卷積分離通道和3x3卷積融合；

將融合后的所有所述小組進行聚合輸出，并經過1x1卷積操作后，結合注意力機制，構建行人重識別模型。

其中，對獲取的圖像進行隨機的數據增強，并將劃分出的多個數據集分別輸入所述行人重識別模型中進行訓練和驗證，得到對應的置信度分數，包括：

對獲取的圖像進行隨機的裁剪、擦除和水平翻轉；

采用交叉驗證法將增強數據后的所述圖像劃分為訓練集、查詢圖像和檢索庫圖像；

基于Mini-Batch梯度下降算法和余弦退火法，利用所述訓練集對所述行人重識別模型進行訓練，并利用所述查詢圖像和所述檢索庫圖像對訓練后的所述行人重識別模型進行測試，得到對應的多個置信度分數。

其中，對獲取的圖像進行隨機的裁剪、擦除和水平翻轉，包括：