[發明專利]一種基于行人重識別的度量損失框架改進方法及相關設備在審
| 申請號： | 202210905618.7 | 申請日： | 2022-07-29 |
| 公開（公告）號： | CN115170835A | 公開（公告）日： | 2022-10-11 |
| 發明（設計）人： | 徐穎;庾名星;蔡大森;湯俊杰;陳明偉 | 申請（專利權）人： | 深圳大學 |
| 主分類號： | G06V10/62 | 分類號： | G06V10/62;G06V40/10;G06V10/82;G06V10/764;G06V10/774;G06V10/776 |
| 代理公司： | 深圳市君勝知識產權代理事務所(普通合伙) 44268 | 代理人： | 陳專 |
| 地址： | 518060 廣東*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 行人 識別 度量 損失 框架 改進 方法 相關 設備 | ||
1.一種基于行人重識別的度量損失框架改進方法，其特征在于，所述基于行人重識別的度量損失框架改進方法包括：
利用對角化方法對擬合不同類別樣本總體分布的協方差矩陣進行降維處理；
利用代理矩陣存儲不同類別的協方差矩陣的對角元素，并通過代理矩陣將樣本的不確定性范圍映射到特征空間中；
利用SVD分解網絡對特征提取網絡的輸出層參數矩陣進行奇異值分解；
利用左奇異矩陣代替原參數矩陣，不改變特征向量歐氏距離相關性，將特征向量投影到正交的特征解空間中，完成對特征向量緯度的相關性解耦；
根據提取得到的維度相關性解耦的特征向量，完成對度量損失框架的改進。
2.根據權利要求1所述的基于行人重識別的度量損失框架改進方法，其特征在于，所述利用對角化方法對擬合不同類別樣本總體分布的協方差矩陣進行降維處理，具體包括：
對樣本分布進行建模時，對每個類別分別學習不同類別的協方差矩陣；
若一個存在C個類別的訓練圖像數據集其中，y是圖片I所對應的類別標簽，N是訓練圖像的個數；
對于第i張訓練集圖片I，將特征提取網絡θ(·)提取的特征向量記作其中，n為特征向量空間的維數，T表示轉置；將類別樣本的協方差矩陣Σa表示如下：
其中，ann表示第n維特征的方差；
對原本的協方差矩陣Σa加強約束，使各個維度之間的相關性進行解耦，得到對角化后的協方差矩陣：
在對角化約束的條件下，每個類別的協方差矩陣的待更新元素數量下降到n，對具有C個類別的訓練圖像數據集、特征空間的維度是n維的情況下，對于協方差矩陣Σa總共僅有C×n個元素計算，計算復雜度從平方復雜度O(C×n2)下降到線性復雜度O(C×n)。
3.根據權利要求2所述的基于行人重識別的度量損失框架改進方法，其特征在于，所述利用代理矩陣存儲不同類別的協方差矩陣的對角元素，并通過代理矩陣將樣本的不確定性范圍映射到特征空間中，具體包括：
對編碼一個C×n大小的參數矩陣用于存儲每個類別的協方差矩陣的對角元素，所述參數矩陣稱為代理矩陣，在每個迭代的過程中，根據訓練樣本三元組中錨點的標簽索引，在代理矩陣中提取標簽索引所在的行向量；
利用提取的行向量對角化重構錨點的協方差矩陣，將協方差矩陣映射到訓練圖像數據集的特征空間中，通過錨點的協方差矩陣與特征向量對錨點在特征空間中分布的不確定性進行高斯建模，再計算不確定性建模的triplet loss損失，將經過反向傳播的梯度更新到協方差矩陣的代理矩陣中。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于深圳大學，未經深圳大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210905618.7/1.html，轉載請聲明來源鉆瓜專利網。
