[發(fā)明專利]一種基于兩階段的噪聲魯棒行人重識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111304590.3
• 申請(qǐng)日: 2021-11-05
• 公開（公告）號(hào): CN114022904B
• 公開（公告）日: 2023-01-24
• 發(fā)明（設(shè)計(jì)）人: 劉敏;孫燁清;王飛;邊遠(yuǎn);王學(xué)平;王耀南
• 申請(qǐng)（專利權(quán)）人: 湖南大學(xué)
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V10/30;G06V10/774;G06V10/764
• 代理公司: 長(zhǎng)沙惟盛赟鼎知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43228
• 代理人: 馬鳳蘭

本發(fā)明公開一種基于兩階段的噪聲魯棒行人重識(shí)別方法，包括步驟：輸入帶標(biāo)簽噪聲的訓(xùn)練集；第一階段：根據(jù)訓(xùn)練集的給定標(biāo)簽計(jì)算網(wǎng)絡(luò)模型的交叉熵?fù)p失函數(shù)；根據(jù)預(yù)測(cè)標(biāo)簽計(jì)算標(biāo)簽調(diào)整正則化損失函數(shù)；計(jì)算純樣本損失函數(shù)；整合三項(xiàng)損失函數(shù)，得到自調(diào)整策略損失函數(shù)并分別訓(xùn)練兩個(gè)不同的網(wǎng)絡(luò)模型；第二階段：更新可靠的預(yù)測(cè)標(biāo)簽集得到修正的交叉熵?fù)p失函數(shù)；計(jì)算對(duì)稱的相對(duì)熵?fù)p失函數(shù)；尋找可靠三元組，計(jì)算噪聲魯棒的三元組損失函數(shù)；聯(lián)合三項(xiàng)損失函數(shù)，得到網(wǎng)絡(luò)模型的第二階段總損失函數(shù)，并協(xié)同監(jiān)督兩個(gè)網(wǎng)絡(luò)模型的學(xué)習(xí)，通過(guò)聯(lián)合所有損失函數(shù)對(duì)兩個(gè)網(wǎng)絡(luò)模型進(jìn)行迭代更新；測(cè)試性能，在含有噪聲標(biāo)簽的設(shè)定下達(dá)到魯棒性極好的行人重識(shí)別目的。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，尤其涉及一種基于兩階段的噪聲魯棒行人重識(shí)別方法。

背景技術(shù)

行人重識(shí)別是圖像檢索的子問(wèn)題，旨在尋找跨攝像頭視角下的同一行人的圖像。隨著深度卷積神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，基于監(jiān)督學(xué)習(xí)的行人重識(shí)別技術(shù)已經(jīng)取得了極大的進(jìn)展。然而，現(xiàn)有的大多數(shù)方法在訓(xùn)練過(guò)程中高度依賴標(biāo)注足夠精確的樣本。在實(shí)際應(yīng)用場(chǎng)景中，由于標(biāo)注或者檢測(cè)的錯(cuò)誤，行人重識(shí)別數(shù)據(jù)集中總是存在一定數(shù)量的噪聲標(biāo)簽樣本。

在行人重識(shí)別數(shù)據(jù)集中，標(biāo)簽噪聲主要有兩類：人物圖像被錯(cuò)誤標(biāo)注導(dǎo)致的標(biāo)簽翻轉(zhuǎn)；嚴(yán)重遮擋、檢測(cè)不良和追蹤錯(cuò)誤等異常值。此外，因?yàn)樵谠紨?shù)據(jù)集中總存在大量外觀相似但屬于不同身份的樣本，所以手動(dòng)糾正大規(guī)模數(shù)據(jù)集中的所有噪聲樣本既耗時(shí)又費(fèi)力。

含噪聲標(biāo)簽的魯棒深度學(xué)習(xí)問(wèn)題在圖像分類領(lǐng)域中受到了較多的關(guān)注。現(xiàn)有的分類方法側(cè)重于過(guò)濾噪聲樣本，保留干凈樣本來(lái)抑制標(biāo)簽噪聲；或者采用聯(lián)合神經(jīng)嵌入網(wǎng)絡(luò)，手動(dòng)驗(yàn)證類的附加部分以檢測(cè)噪聲樣本；同時(shí)，一些小損失選擇方法也被用來(lái)處理噪聲標(biāo)簽。然而，同圖像分類問(wèn)題相比，行人重識(shí)別問(wèn)題中每個(gè)身份只有少量的人物圖像，所以這些方法都不適合含標(biāo)簽噪聲的行人重識(shí)別任務(wù)。故需要一種在含有噪聲標(biāo)簽的設(shè)定下能夠達(dá)到魯棒性極好的行人重識(shí)別方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供了一種在含有噪聲標(biāo)簽的設(shè)定下能夠達(dá)到魯棒性極好的行人重識(shí)別方法，具體為一種基于兩階段的噪聲魯棒行人重識(shí)別方法。

本發(fā)明提供了一種基于兩階段的噪聲魯棒行人重識(shí)別方法，該方法包括以下步驟：

S1：輸入帶給定標(biāo)簽的訓(xùn)練集；

第一階段，

S2：根據(jù)訓(xùn)練集的給定標(biāo)簽計(jì)算網(wǎng)絡(luò)模型的交叉熵?fù)p失函數(shù)，得到訓(xùn)練樣本的預(yù)測(cè)概率；

S3：提取訓(xùn)練樣本的最大預(yù)測(cè)概率的索引值作為預(yù)測(cè)標(biāo)簽，根據(jù)預(yù)測(cè)標(biāo)簽計(jì)算標(biāo)簽調(diào)整正則化損失函數(shù)；

S4：挖掘給定標(biāo)簽與預(yù)測(cè)標(biāo)簽的一致性，計(jì)算純樣本損失函數(shù)；

S5：聯(lián)合交叉熵?fù)p失函數(shù)、標(biāo)簽調(diào)整正則化損失函數(shù)和純樣本損失函數(shù)，得到自調(diào)整策略損失函數(shù)，根據(jù)自調(diào)整策略損失函數(shù)分別訓(xùn)練兩個(gè)不同的網(wǎng)絡(luò)模型；

第二階段，

將第一階段輸出的兩個(gè)自調(diào)整網(wǎng)絡(luò)分別作為第二階段的初始化網(wǎng)絡(luò)；

S6：通過(guò)更新可靠的預(yù)測(cè)標(biāo)簽集，計(jì)算修正的交叉熵?fù)p失函數(shù)，挖掘純樣本甚至校正噪聲標(biāo)記的樣本；

S7：引入相對(duì)熵?fù)p失函數(shù)，即KL散度，通過(guò)相對(duì)熵?fù)p失函數(shù)使得兩個(gè)網(wǎng)絡(luò)交叉更新訓(xùn)練，同時(shí)由JS散度修改相對(duì)熵?fù)p失函數(shù)得到對(duì)稱的KL散度，即對(duì)稱的相對(duì)熵?fù)p失函數(shù)；

S8：尋找可靠三元組，得到噪聲魯棒的三元組損失函數(shù)；

S9：根據(jù)修正的交叉熵?fù)p失函數(shù)、對(duì)稱的相對(duì)熵?fù)p失函數(shù)和噪聲魯棒的三元組損失函數(shù)，得到網(wǎng)絡(luò)模型的第二階段總損失函數(shù)，根據(jù)第二階段總損失函數(shù)聯(lián)合監(jiān)督網(wǎng)絡(luò)模型的學(xué)習(xí)。