[发明专利]一种渐进增强自学习的无监督跨领域行人再识别方法

权利要求书

1.一种渐进增强自学习的无监督跨领域行人再识别方法，其特征在于，包括如下步骤：

步骤1：在有标签原始域数据集S上进行网络模型训练，得到初始的网络模型，所述初始的网络模型为改进的Resnet-50深度网络模型；

步骤2：提取无标签目标域训练数据集T在网络模型上的特征，并计算两两特征之间的余弦相似度，根据余弦相似度从高到低进行排序，得到相似度得分矩阵D_R；

步骤3：利用基于密度的HDBSCAN聚类算法在相似度得分矩阵D_R上进行聚类，将无标签目标域训练数据集T分为C个聚类簇，每一个聚类簇的样本给与相同的类标，得到带有伪类标的目标域训练数据子集T_U；

步骤4：联合使用基于聚类的批次难样本挖掘的Triplet损失函数和基于相似度得分矩阵D_R的Triplet损失函数，在步骤3得到的带有伪类标的目标域训练数据子集T_U上进行网络模型重训练，得到新的网络模型；

步骤5：在步骤4得到的新的网络模型上提取带有伪类标的目标域训练数据子集T_U的特征，并分别对每一个聚类簇的样本特征求均值，得到聚类簇的聚类中心特征，然后利用得到的聚类中心特征初始化类别数目为C的网络模型分类层参数；

步骤6：将步骤5得到的分类层连接到步骤4得到的新的网络模型上，然后在带有伪类标的目标域训练数据子集T_U上对网络模型再次进行Softmax损失函数指导的网络重训练，进一步更新网络模型的参数；

步骤7：利用步骤6得到的新的网络模型，在整个无标签目标域训练数据集T上重新提取特征，并将提取到的特征反馈给步骤2，完成一个循环的训练然后循环执行步骤2到步骤7，直到网络模型收敛或达到最大循环次数I_max，之后执行步骤8；

步骤8：提取步骤7中全局平均池化层特征或者分块平均池化层特征，以此特征作为特征表征；

步骤9：利用步骤8得到的特征表征，一一对比测试集和数据库中行人图片的相似度，并按照相似度从高到低进行排序；

步骤10：针对每一张测试图片，取步骤9中相似度排名前K的对应数据库图片的身份信息，如果其中包含与测试图片身份信息相同的行人，则记为行人再识别成功，否则记为行人再识别失败。

2.根据权利要求1所述的渐进增强自学习的无监督跨领域行人再识别方法，其特征在于，在步骤1中，所述改进的Resnet-50深度网络模型是在原始的Resnet-50深度网络模型的基础上做的修改，修改的内容包括：

(1)将卷积层的卷积核大小由7×7变为3×3；

(2)将全局平均池化层变为分块平均池化层；

(3)将全连接分类层根据当前网络模型HDBSCAN聚类后的类别数目进行初始化。