[发明专利]基于邻居样本信息引导的跨域行人再识别方法

权利要求书

1.基于邻居样本信息引导的跨域行人再识别方法，其特征在于，包括如下步骤：

步骤1，首先构建一个图卷积神经网络模块，该模块整合了样本邻居信息，通过源域数据进行训练，然后将该模块应用于目标域数据，也即将整合邻居信息的能力迁移至目标域，为目标域选择出正样本对，便于之后的聚类以及赋伪标签过程；

所述图卷积神经网络模块包括四个部分：亲属子图，四个图卷积层，一个全连接层，以及一个二分类层；

步骤2，由源域数据联合交叉熵损失函数和三元组损失函数预训练卷积神经网络模块，然后用预训练后的卷积神经网络模块提取源域数据特征F_s，基于源域数据特征F_s和源域数据标签Y_s，训练提出的图卷积神经网络模块；

步骤3，将目标域数据输入到已初始化的卷积神经网络模块，得到目标域数据特征F_t，然后将特征F_t输入到训练好的图卷积神经网络模块，得到目标域数据的正样本对，基于正样本对进行聚类；

步骤4，为步骤3中聚类得到的每个类别赋伪标签，基于带有伪标签的目标域数据联合交叉熵损失函数和三元组损失函数微调卷积神经网络模块；

步骤5，迭代步骤3和步骤4，直到卷积神经网络模块稳定，然后利用稳定后的卷积神经网络模块对目标域数据进行行人的再识别。

2.如权利要求1所述的基于邻居样本信息引导的跨域行人再识别方法，其特征在于：所述卷积神经网络为ResNet50。

3.如权利要求1所述的基于邻居样本信息引导的跨域行人再识别方法，其特征在于：步骤1中所述图卷积神经网络模块中亲属子图的构建方式如下，

将源域数据集或目标域数据集中的每一个样本作为中心点c，利用样本通过卷积神经网络提取过的特征，求每一个样本和源域数据集或目标域数据集中其他样本的余弦相似度并排序得到其前k₁个邻居N(c,k₁)，为每一个样本构建一个亲属子图。

4.如权利要求1所述的基于邻居样本信息引导的跨域行人再识别方法，其特征在于：步骤1中所述图卷积神经网络模块中四个图卷积层的构建方式如下，

每一个图卷积层由公式(1)表示：

X^L＝ReLU((D^-1AX^L-1||X^L-1)W^L) (1)

其中，和分别代表第L层和L-1层的输出特征，n代表节点个数，而和则分别代表第L层和L-1层节点的特征维度；为邻接矩阵，用于表示样本点之间的关系信息，为对角线矩阵，其对角线上的元素可表示为d_i＝∑_jA_ij，||代表由邻居信息更新后的特征和原始特征在特征维度上进行串联，从而引入节点原始特征；为第L层的训练参数，ReLU代表激活函数；

第一个图卷积层的输入为

X⁰＝X＝[F₁-F_c,F₂-F_c,...,F_i-F_c],i∈N(c,k₁) (2)

其中F_c表示中心节点的特征，F_i表示以此中心节点构造的亲属子图中其每个邻居节点的特征；

对于邻接矩阵A的构建，对于节点i,j∈N(c,k₁)，如果节点i是节点j的k₂近邻或者节点j是节点i的k₂近邻，则A_i,j＝A_j,i＝1，否则A_i,j＝A_j,i＝0。