[发明专利]基于自监督代理特征学习的无监督行人重识别方法

权利要求书

1.一种基于自监督代理特征学习的无监督行人重识别方法，其特征在于，包括：

构建无监督行人重识别的网络模型，所述网络模型包括：特征重构模块，引入代理特征作为连接源域和目标域的桥梁，分别利用源域图像样本的特征及目标域图像样本的特征，与代理特征的相似度，来重构出源域图像样本特征及目标域图像样本特征；源域的有监督学习模块，利用重构的源域图像样本特征对源域进行有监督的标签学习；跨域自监督约束模块，利用重构的源域图像样本特征以及重构的目标域图像样本特征进行跨域的自监督学习；目标域的相似度一致性模块，利用目标域图像样本的特征进行目标域的相似度一致性学习；通过不断的迭代学习，获得训练好的无监督行人重识别的网络模型；

利用训练好的无监督行人重识别的网络模型在目标域图像样本中实现行人重识别。

2.根据权利要求1所述的一种基于自监督代理特征学习的无监督行人重识别方法，其特征在于，所述引入代理特征作为连接源域和目标域的桥梁，分别利用源域图像样本的特征及目标域图像样本的特征，与代理特征的相似度，来重构出源域图像样本特征及目标域图像样本特征包括：

引入了一组代理特征：作为连接源域和目标域的桥梁，进而学习到一个联合空间；其中，N_c为代理特征总数；

对于一个图像样本x_m，通过主干网络提取相应的特征f_m，再计算特征f_m与代理特征的相似度：

其中，s_mk表示图像样本特征f_m和第k个代理特征a_k间的相似度，k＝1，2，...，N_c；

将计算出来的特征相似度s_mk视为对应代理特征a_k的权重，对所有加权后的代理特征s_mka_k求和，以此来构建图像样本的重构特征：

其中，m＝s，i或者t，j；m＝s，i时，x_s，i、f_s，i以及表示源域图像样本、提取到的特征以及重构的特征；m＝t，j时，x_t，j、f_t，j以及表示目标域图像样本、提取到的特征以及重构的特征。

3.根据权利要求1所述的一种基于自监督代理特征学习的无监督行人重识别方法，其特征在于，利用重构的源域图像样本特征对源域进行有监督的标签学习包括：

首先，通过对源域图像样本x_s，i进行有监督的分类，训练模型获得基础的身份鉴别能力；

已知源域图像样本数目为N_s，p(y_i|x_s，i)表示对于源域图像样本x_s，i正确预测其标签为y_i的概率；相应的交叉熵损失表示为：

然后，使用重构的源域图像特征来指导源域分类学习，表示源域图像样本x_s，i的重构特征，表示标签y_i所对应的全连接层权重；则重构的源域图像特征指导的源域分类损失函数表示为：

最终，源域有监督的标签学习损失函数定义为：

L_TS＝L_S+βL_AS

其中，β为自设定的超参数，表示标签yk所对应的全连接层权重。