[發明專利]基于分布式時空連續學習的行人重識別方法

在審

• 申請號: 202211265027.4
• 申請日: 2022-10-17
• 公開（公告）號: CN115471793A
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 張磊;高冠宇
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/44;G06V10/762;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京合礪專利商標代理事務所(普通合伙) 32518
• 代理人: 鮑小龍

1.一種基于分布式時空連續學習的行人重識別方法，該方法在分布式邊緣計算網絡節點及邊緣設備上部署行人重識別模型，實現對行人特征在本地進行連續學習，結合分布式時空特征定向分享模型知識，根據真實的場景持續優化分布式行人重識別模型，其特征在于：

(1)組建具有分布式部署和跨時空連續學習能力的行人重識別模型，對于每個邊緣節點i(i∈C)，所述行人重識別模型對應的神經網絡包括特征提取模塊G_i和動態學習模塊F_i；

其中，所述的特征提取模塊G_i的權重由ImageNet預訓練的卷積網絡模型進行初始化；所述的動態學習模塊F_i的卷積權重θ_i分解為基本權重B_i、自適應權重A_i以及注意力權重α_i；

(2)當邊緣節點i(i∈C)在某段時間t(t＝1，2，...)內出現漂移數據時，利用特征提取模塊G_i提取漂移數據的特征P_i^(t)和特征平均值并發送到參數服務器中；

(3)參數服務器將來自不同時間和空間的漂移數據特征進行跨時空的多尺度聚類，對于不同時間段t，t′以及邊緣節點i，j的數據特征計算多尺度特征距離

(4)將參數服務器中邊緣節點i與其他節點j按照時間維度進行加權聚合，得到t時刻邊緣節點i與其他邊緣節點j的一維時空關聯度

(5)參數服務器中，對于處在t時刻的邊緣節點i，選擇與其時空關聯度高于給定閾值λ_w的邊緣節點集合，將它們的動態學習模塊的卷積權重進行聚合，并將聚合的結果用于更新邊緣節點i的基本權重B_i；

(6)當邊緣節點i更新了基本權重B_i后，將基本權重B_i進行固定，利用梯度下降算法在本地環境中不斷優化自適應權重A_i以及注意力權重α_i；

(7)在部署過程中不斷重復步驟(2)-步驟(6)的過程，實現所有邊緣模型在長期部署中能夠實現跨時空的分布式連續學習。

2.根據權利要求1所述的基于分布式時空連續學習的行人重識別方法，其特征在于：步驟(1)中對每個時刻的漂移數據提取特征，所有邊緣節點采用由ImageNet預訓練的卷積神經網絡作為特征提取模塊G_i，通過動態學習模塊F_c實現其他節點的行人重識別模型在當前環境數據的連續學習。

3.根據權利要求2所述的基于分布式時空連續學習的行人重識別方法，其特征在于：所述動態學習模塊F_i的各層權重參數由基本權重B_i、自適應權重A_i以及注意力權重α_i組成，基本權重B_i由其他邊緣設備上的行人重識別參數聚合，自適應權重A_i由當前環境連續學習得到，注意力權重α_i從基本權重B_i中選擇與當前邊緣環境相關的權重，對于邊緣節點i其動態學習模塊F_i的各層權重參數可以表示為：

4.根據權利要求1所述的基于分布式時空連續學習的行人重識別方法，其特征在于：步驟(2)中當前時間段漂移數據的特征P_i^(t)和特征平均值存在如下數學計算關系：

式中，和Y_i^(t)分別是邊緣設備i在時刻t下的漂移數據以及對應的標簽數據；是利用特征提取模塊G_i對漂移數據進行特征抽取的結果；P_i^(t)是漂移數據的特征所組成的集合，其表示將特征抽取的最終結果和對應的標簽數據Y_i^(t)進行向量組合；此外，是特征平均值，表示對漂移數據特征集合P_i^(t)中的各特征元素p_i進行加權平均。