[发明专利]一种基于深度余弦度量学习的行人重识别方法

权利要求书

1.一种基于深度余弦度量学习的行人重识别方法，其特征在于：先调整输入图像的尺寸，将图像呈现到RGB空间的网络中，然后通过一系列的卷积层调整feature map的尺寸，接着提取总体特征向量进行归一化以后，将特征投射到应用cosine softmax分类器的单位球面上，最后分类器通过最大可能性来选择类；

包括以下步骤：

步骤1：将输入图像调整到对应尺寸并呈现到RGB网络中，且RGB网络包含若干遵循预激活排列的残差块；

步骤2：通过对应卷积层将feature map的尺寸减小到对应大小；

步骤3：将上述结果放入dense层中，并提取总体特征向量；

步骤4：使用l₂normalization对特征向量进行归一化；

步骤5：将归一化后的特征投射到应用cosine softmax分类器的单位球面上；

步骤6：分类器通过最大可能性来选择类。

2.根据权利要求1所述的基于深度余弦度量学习的行人重识别方法，其特征在于：所述步骤2的具体内容为：首先将调整后图像依次放入两个卷积核和步长相同的卷积层，得到输出结果；然后将输出结果放入池化层，采用最大值池化的方式得到输出结果，把池化后的输出结果放入6个按照预激活排列的残差块中，每个残差块均包含2个卷积层，并且最大池化被步幅为2的卷积层替代，得到对应的输出结果。

3.根据权利要求1所述的基于深度余弦度量学习的行人重识别方法，其特征在于：所述步骤3和步骤4中通过两个卷积层以及6个残差网络块提取特征向量后，将提取到的特征向量传入dense层中提取总体特征向量；要实现总体特征向量x(x₁,x₂,....,x_n)归一化到单位l₂范数，建立一个从x到x′的映射，使得x′的l₂范数为1，从而得到其中

4.根据权利要求1所述的基于深度余弦度量学习的行人重识别方法，其特征在于：所述步骤5的具体内容为：

步骤501：将权值归一化为单位长度；

步骤502：cosine softmax分类器表示为

其中y_i表示类标号；r＝f(x),r∈R^d参数网络编码器的潜在特征表示；κ为自由比例缩放参数；表示第k个类的权值向量，通过权向量的长度与其方向耦合的方法来加速随机梯度下降的收敛性；且对数概率与训练样本和参数化类平均方向的余弦相似度成正比。