[發明專利]一種基于兩階段的噪聲魯棒行人重識別方法

有效

• 申請號: 202111304590.3
• 申請日: 2021-11-05
• 公開（公告）號: CN114022904B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 劉敏;孫燁清;王飛;邊遠;王學平;王耀南
• 申請（專利權）人: 湖南大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/30;G06V10/774;G06V10/764
• 代理公司: 長沙惟盛赟鼎知識產權代理事務所(普通合伙) 43228
• 代理人: 馬鳳蘭

1.一種基于兩階段的噪聲魯棒行人重識別方法，其特征在于，包括步驟：

S1：輸入帶給定標簽的訓練集；

第一階段，

S2：根據訓練集的給定標簽計算網絡模型的交叉熵損失函數，得到訓練樣本的預測概率；

S3：提取訓練樣本的最大預測概率的索引值作為預測標簽，根據預測標簽，基于softmax交叉熵損失函數計算標簽調整正則化損失函數；

S4：挖掘給定標簽與預測標簽的一致性，計算純樣本損失函數；

S5：聯合交叉熵損失函數、標簽調整正則化損失函數和純樣本損失函數，得到自調整策略損失函數，根據自調整策略損失函數分別訓練兩個不同的網絡模型；

第二階段，

將第一階段輸出的兩個自調整網絡分別作為第二階段的初始化網絡；

S6：通過更新可靠的預測標簽集，計算修正的交叉熵損失函數，挖掘純樣本甚至校正噪聲標記的樣本；

得到所述修正的交叉熵損失函數的具體步驟為：

將網絡模型Θ₁的預測標簽作為網絡模型Θ₁的監控信號，得到可靠的預測標簽集，通過更新可靠的預測標簽集，得到網絡Θ₁的修正的交叉熵損失函數，記為：

其中，表示網絡模型Θ₁中樣本x_i的修正交叉熵損失函數，表示網絡模型Θ₁的預測標簽，表示網絡模型Θ₁更新后的可靠的預測標簽集，α為常數，N表示圖片的數量；

通過上述步驟同理計算出網絡模型Θ₂的修正的交叉熵損失函數，記為：網絡模型Θ₂的預測標簽，記為則第二階段總的修正的交叉熵損失函數為：

S7：引入相對熵損失函數，即KL散度，通過相對熵損失函數使得兩個網絡交叉更新訓練，同時由JS散度修改相對熵損失函數得到對稱的KL散度，即對稱的相對熵損失函數；

S8：尋找可靠三元組，得到噪聲魯棒的三元組損失函數；

基于三元組損失函數在兩個網絡模型上進行修改，首先尋找可靠三元組，所述三元組損失函數中三元組的三項用{a,p,n}描述，a代表錨點，p代表與錨點相同類別的正樣本，n代表與錨點不同類別的負樣本；對于網絡模型Θ₁：

通過第一個判斷條件判斷錨點是否為具有真實標簽的純樣本，所述第一個判斷條件記為：

其中，表示網絡模型Θ₁中的錨點的預測標簽，y_a表示網絡模型Θ₁中的錨點的給定標簽，f_a表示提取的錨點的判別特征，表示錨點的預測標簽類別所有樣本的平均特征，表示錨點的給定標簽類別所有樣本的平均特征；當滿足第一個判斷條件時，該錨點為噪聲錨點，否則為純錨點，繼續尋找對應的正樣本和負樣本；

通過第二個判斷條件在特征空間中挖掘正確標記的難正樣本，所述第二個判斷條件記為：

其中，下標mp表示難正樣本，當滿足第二個判斷條件時，難正樣本是噪聲樣本，繼續尋找對應的次難正樣本，否則該難正樣本是純樣本；

通過第三個判斷條件在特征空間中挖掘正確標記的難負樣本，所述第三個判斷條件記為：

其中，下標mn表示難負樣本，當滿足第三個判斷條件時，難負樣本是噪聲樣本，繼續尋找對應的次難負樣本，否則該難負樣本為純樣本；

S9：根據修正的交叉熵損失函數、對稱的相對熵損失函數和噪聲魯棒的三元組損失函數，得到網絡模型的第二階段總損失函數，根據第二階段總損失函數聯合監督網絡模型的學習。