[发明专利]基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法

权利要求书

1.基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法，其特征在于包括以下步骤：

步骤一：构建具有空间-通道联合注意力机制的AAM-Softmax识别模型，所构建的模型由特征嵌入模块和具有AAM-Softmax分类器的全连接层构成，特征嵌入模块包括由ImageNet预训练的Resnet_50、全局平均池化层和批归一化层以及空间-通道联合注意力机制，用于从原始输入图像中提取2048维特征；

步骤二：利用训练图像，训练步骤一中构建的模型，首先将数据库训练集图像尺寸调整为256×128，输入步骤(1)中所构建的模型，以输入图像的ID作为标签来训练模型；损失函数采用AAM-Softmax损失，通过参数迭代完成模型训练；

步骤三：利用步骤二中训练好的模型作为特征编码器，构建结合识别损失和验证损失的孪生Margin-Softmax网络，该网络的两个子网络权值共享，用AAM-Softmax损失函数预训练的识别模型作为子网络的特征编码器(Feature Encoder)，用于从输入图像对提取深度特征将f_a,f_b输入定义为f_s＝(f_a-f_b)²的距离测量模块(Distance MeasurementModul)，从而得到距离特征

步骤四：在识别损失和验证损失的共同监督下，训练此网络；一方面，分别识别深度特征f_a,f_b所属ID，另一方面，将距离特征f_s输入相同或不同的二分类网络，验证输入图像对是否属于同一人的ID；验证损失和识别损失均采用组合余量Softmax(Combined Margin-Softmax)，其表达式如(1)所示：

其中，m₁,m₂和m₃分别代表乘性角度余量、附加角度余量和余弦余量，网络的总损失函数如式(2)所示：

L_total＝αL_iden1+βL_iden2+γL_ver (2)

其中，α,β,γ分别代表验证损失1、2和识别损失的权重；

步骤五：对步骤四中训练的网络进行测试，采用Rank-1得分和mAP作为评估指标，以评估该网络的性能。

2.根据权利要求1所述的基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法，其特征在于步骤一中所构建的识别模型加入空间-通道联合注意力机制，在不加入任何额外学习参数的情况下，关注空间和通道重要的局部特征。

3.根据权利要求1所述的基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法，其特征在于步骤一中所采用AAM-Softmax损失对模型进行训练，将度量学习融于分类器中，从而提升特征的辨别力。

4.根据权利要求1所述的基于联合注意力机制孪生Margin-Softmax网络的行人重识别方法，其特征在于步骤三中所构建的孪生网络结合识别损失和验证损失(均为CombinedMargin-Softmax损失)，在两者的共同监督下训练网络。