[发明专利]基于神经架构搜索的行人重识别模型构建方法及装置

权利要求书

1.一种基于神经架构搜索的行人重识别模型构建方法，其特征在于，按照以下步骤执行：

步骤1、获得行人图像数据集，所述的行人图像数据集包括训练数据集以及验证数据集；

所述的训练数据集以及验证数据集均包括多组数据，其中每组数据包括多个类别数据，每个类别数据包括多幅行人图像；

对于每幅行人图像，该行人图像本身为原样本，与原样本属于同一类别数据的其他所有行人图像均为正样本，每组数据中除原样本以及正样本以外的其他所有行人图像均为负样本；

获得行人图像数据集中每幅行人图像对应的类别，获得标签集；

步骤2、将所述的训练数据集以及验证数据集作为输入，将所述的标签集作为输出，对初始网络中进行搜索，获得最优卷积单元；

所述的初始网络包括多个卷积单元；

在搜索时采用式I的损失函数L：

其中，为交叉熵损失函数，x_i表示第i个原样本，i＝1,2，…，M，M表示一组数据中原样本的个数，y_i表示第i个原样本的类别，S(x_i)表示第i个原样本经过softmax激活后网络分类器的输出，F(x_i)表示第i个原样本的特征数据，表示距离第i个原样本最大的正样本的特征数据，表示距离第i个原样本最小的负样本的特征数据，d表示阈值参数，d>0，(z)₊表示max(0,z)；

步骤3、利用所述的最优卷积单元重复堆叠，获得初始行人重识别模型；

步骤4、将所述的训练数据集以及验证数据集作为输入，将所述的标签集作为输出，训练所述的初始行人重识别模型，获得行人重识别模型。

2.如权利要求1所述的基于神经架构搜索的行人重识别模型构建方法，其特征在于，所述的步骤2中将所述的训练数据集以及验证数据集作为输入，将所述的标签集作为输出，对初始网络中进行搜索时，采用DARTS方法作为搜索策略。

3.如权利要求2所述的基于神经架构搜索的行人重识别模型构建方法，其特征在于，采用DARTS方法作为搜索策略对初始网络进行搜索时，初始化训练次数为150，网络权重学习率为0.025，网络架构学习率为3×10^-4。

4.如权利要求1所述的基于神经架构搜索的行人重识别模型构建方法，其特征在于，所述的损失函数L中阈值参数d＝0.3。

5.一种基于神经架构搜索的行人重识别方法，其特征在于，按照以下步骤执行：

步骤A、获得待识别行人图像；

步骤B、将所述的待识别行人图像输入至权利要求1-4任一项权利要求的基于神经架构搜索的行人重识别模型构建方法获得的行人重识别模型中，获得识别结果。