[发明专利]基于非对称联合教学网络的跨域行人重识别方法和装置

权利要求书

1.一种基于非对称联合教学网络的跨域行人重识别方法，其特征在于，包括以下步骤：

采用带标签的源域行人图像对预先建立的主模型进行预训练；

将不带标签的目标域行人图像载入预训练后的主模型中进行特征提取；

利用所述提取出的特征对所述目标域行人图像进行密度聚类；根据该密度聚类的结果对所述目标域行人图像打上伪标签；

采用原型相似性度量方法对所述打上伪标签的目标域行人图像进行可信度评估，得到高可信度样本和低可信度样本；

将所述高可信度样本和低可信度样本载入预先建立的非对称联合教学网络中进行迭代训练，所述非对称联合教学网络包括相互连接的所述主模型和协作模型，采用训练后的非对称联合教学网络的主模型进行行人重识别；

所述原型相似性度量方法包括以下步骤：

将所述打上伪标签的目标域行人图像记为样本，对于每一种类型的样本，提取出这些样本的中心点，作为该种类型样本的原型，所述原型的计算公式如下：

式中，表示在目标域行人图像集中打上伪标签的样本合集，为目标域行人图像集中的样本；

采用欧式距离计算标注上同一伪标签的样本合集与它们原型之间的距离，该距离的计算表达式为：

式中，为打上了伪标签样本的原型，为原型相似性；

所述高可信度样本和低可信度样本的获取具体为：

当样本的所述原型相似性大于预设的相似阈值时，为高可信度样本，当样本的所述原型相似性小于预设的相似阈值时，为低可信度样本。

2.根据权利要求1所述的一种基于非对称联合教学网络的跨域行人重识别方法，其特征在于，所述主模型采用在ImageNet上预训练过的ResNet50作为主干网络，用步幅为1的卷积层将ResNet50最后一个block中步幅为2的卷积层替换。

3.根据权利要求1所述的一种基于非对称联合教学网络的跨域行人重识别方法，其特征在于，采用三元组损失和交叉熵损失作为损失函数，对所述主模型进行预训练。

4.根据权利要求1所述的一种基于非对称联合教学网络的跨域行人重识别方法，其特征在于，所述非对称联合教学网络中的迭代训练过程具体为：

所述主模型的训练包括从所述低可信度样本中选取部分样本构造低可信度三元组，通过所述协作模型计算所述低可信度三元组的损失，选取低可信度三元组中损失较小的部分锚点以及所述高可信度样本的部分样本对所述主模型进行一轮微调；

所述协作模型的训练包括从所述高可信度样本中选取部分样本构造高可信度三元组，通过所述主模型计算所述高可信度三元组的损失，选取高可信度三元组中损失较小的部分锚点以及所述低可信度样本的部分样本对所述协作模型进行一轮微调；

对所述主模型和协作模型进行迭代训练，直至达到预设的训练条件。

5.一种基于非对称联合教学网络的跨域行人重识别装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1-4任一所述的步骤。

6.根据权利要求5所述的一种基于非对称联合教学网络的跨域行人重识别装置，其特征在于，所述主模型采用在ImageNet上预训练过的ResNet50作为主干网络，用步幅为1的卷积层将ResNet50最后一个block中步幅为2的卷积层替换。

7.根据权利要求5所述的一种基于非对称联合教学网络的跨域行人重识别装置，其特征在于，所述原型相似性度量方法包括以下步骤：

将所述打上伪标签的目标域行人图像记为样本，对于每一种类型的样本，提取出这些样本的中心点，作为该种类型样本的原型，所述原型的计算公式如下：

式中，表示在目标域行人图像集中打上伪标签的样本合集，为目标域行人图像集中的样本；

采用欧式距离计算标注上同一伪标签的样本合集与它们原型之间的距离，该距离的计算表达式为：

式中，为打上了伪标签样本的原型，为原型相似性；

当样本的所述原型相似性大于预设的相似阈值时，为高可信度样本，当样本的所述原型相似性小于预设的相似阈值时，为低可信度样本。

8.根据权利要求5所述的一种基于非对称联合教学网络的跨域行人重识别装置，其特征在于，所述非对称联合教学网络中的迭代训练过程具体为：

所述主模型的训练包括从所述低可信度样本中选取部分样本构造低可信度三元组，通过所述协作模型计算所述低可信度三元组的损失，选取低可信度三元组中损失较小的部分锚点以及所述高可信度样本的部分样本对所述主模型进行一轮微调；

所述协作模型的训练包括从所述高可信度样本中选取部分样本构造高可信度三元组，通过所述主模型计算所述高可信度三元组的损失，选取高可信度三元组中损失较小的部分锚点以及所述低可信度样本的部分样本对所述协作模型进行一轮微调；

对所述主模型和协作模型进行迭代训练，直至达到预设的训练条件。