[发明专利]一种基于单样本的半监督行人重识别方法

权利要求书

1.一种基于单样本的半监督行人重识别方法，其特征在于，包括以下步骤：

步骤1、设置单样本数据集：从单样本数据集中每个类别下的每个相机图像中各随机选取一张为有标签数据，其余的为无标签数据；

步骤2、设计网络结构：设计多分支网络结构，在网络结构中添加部件分割模块；

其中，所述多分支网络结构包括部件分割分支、全局分支和局部分支；在网络结构中添加部件分割模块，所述部件分割模块通过定位行人的不同部件区域，并利用部件标签作为监督信息进行单样本部件分割任务训练；单样本数据集中的标签数据和伪标签数据以及无标签数据同时进行部件分割任务的训练；

步骤3、网络训练：模型第一次训练时，网络的训练包括少量有标签数据的部件分割任务以及分类任务、大量无标签数据的部件分割任务以及预测伪标签和计算排斥损失；随着迭代训练次数的增加，网络的训练过程为端到端的多任务训练包括标签数据以及伪标签数据的部件分割任务以及分类任务、无标签数据的部件分割任务以及预测伪标签和计算排斥损失；

步骤4、有标签数据以及伪标签数据损失计算：有标签数据以及伪标签数据的交叉熵损失和部件分割损失相结合；

步骤5、无标签数据预测伪标签：采用近邻算法为无标签数据分配伪标签；

步骤6、无标签数据损失计算：在模型训练的过程中，将每一个无标签数据看作单独的一个类别，无标签数据使用排斥损失进行训练，使每一个无标签数据彼此推远；

步骤7、损失函数融合：模型通过融合有标签数据损失和伪标签数据损失以及无标签数据的损失共同进行模型的优化；

其中，有标签数据以及伪标签数据的损失包括基于全局特征计算的交叉熵损失和基于局部特征计算的交叉熵损失以及部件分割损失，计算公式为：

其中，L^ide表示有标签数据以及伪标签数据的损失；表示有标签数据以及伪标签数据基于全局特征的交叉熵损失，表示有标签数据以及伪标签数据基于局部特征的交叉熵损失，表示有标签数据以及伪标签数据的部件分割损失；

无标签数据的损失包括排斥损失、部件分割损失，计算公式为：其中，L^u表示无标签数据的损失，表示无标签数据的排斥损失，表示无标签数据的部件分割损失；

所以，融合的损失函数公式为:L_all＝β*L^ide+(1-β)*L^u，

其中，L_all表示有标签数据损失以及伪标签数据损失和无标签数据损失的融合，即所有样本的总体损失，β是调整有标签数据损失以及伪标签数据损失和无标签数据损失所占权重的超参数；

步骤8、迭代步骤3-7，采用渐进式方式不断从无标签数据中分配伪标签数据，直到所有无标签数据都分配为伪标签数据。