[发明专利]一种基于图的直推式半监督行人再识别方法

权利要求书

1.一种基于图的直推式半监督行人再识别方法，其特征在于，包括以下步骤：

步骤1：使用有标签行人数据训练双通道模型，得到基模型；

步骤2：使用基模型对无标签行人数据进行特征提取，为提取到的无标签行人数据特征建立图模型，根据图模型给予无标签行人数据伪标签，使用有标签行人数据和带有伪标签的无标签行人数据，构建正负样本对；

步骤3：使用图模型赋予正负样本对置信度，使用带有置信度的正负样本对共同微调步骤1所得基模型；

步骤4：重复步骤2、3，逐渐增加正负样本对的难度和置信度，利用课程学习方法，训练基模型至完全收敛，得到最终模型；

步骤5：利用最终模型，对验证集数据进行特征提取并进行特征匹配，根据匹配结果，完成行人再识别。

2.如权利要求1所述的基于图的直推式半监督行人再识别方法，其特征在于，步骤1具体为：记有标签行人数据为X^L，无标签行人数据为X^U；定义属于同一标签的样本对为正样本对，不属于同一标签的样本对为负样本对；在双通道模型中，其中一个通道模型为ResNet50，该模型的参数由学习得到，设为“学生”模型；另一个通道模型为ResNet50，该模型的参数由“学生”模型通过指数平均移动计算得到，设为“教师”模型，计算公式如下：

θ_t′＝αθ_t-1′+(1-α)θ_t

式中，θ_t为“学生”模型参数，θ_t′为“教师”模型参数；α为平滑系数，双通道模型使用的损失函数包含三部分：基于特征的一致性损失函数，三元组损失函数，交叉熵损失函数，其中：

式中，L^CL为一致性损失函数，N为样本数量，为L2范数的平方，η_i和η_i′为两种不同的噪声；

式中，为三元组损失函数，N为三元组的数量，f_θ(·)为“学生”模型提取行人图像得到的特征；θ为“学生”模型的参数；分别为三元组中的锚样本，正样本，负样本；α为三元组损失函数中的边界参数；

式中，为交叉熵损失函数，σ为标准的softmax交叉熵损失函数，N为当前训练批次有标签行人数据的数量，y_i为当前训练批次有标签行人数据的标签，ω为“学生”模型中最后一个全连接层的参数；

使用超参数λ₀将三元组损失函数和交叉熵损失函数进行结合，得到全监督损失函数L^SL：

使用超参数λ₁将全监督损失函数L^SL与一致性学习损失函数L^CL进行结合，得到有标签行人数据的最终损失函数：

L^SL-CL＝L^SL+λ₁L^CL

使用有标签行人数据的最终损失函数作为约束，使用有标签行人数据对双通道进行训练，得到基模型。