[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

说明书

本发明涉及一种基于非对称联合教学网络的跨域行人重识别方法和装置，该方法包括：采用带标签的源域行人图像对主模型进行预训练；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；利用提取出的特征对目标域行人图像进行密度聚类；从而对目标域行人图像打上伪标签；采用原型相似性度量方法对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，并载入预先建立的非对称联合教学网络中进行迭代训练，非对称联合教学网络包括相互连接的主模型和协作模型，采用训练后的主模型进行行人重识别。与现有技术相比，本发明具有可以有效的解决伪标签噪声问题，提高行人重识别模型的准确性等优点。

技术领域

本发明涉及跨域行人重识别领域，尤其是涉及基于非对称联合教学网络的跨域行人重识别方法和装置。

背景技术

随着经济社会和现代化的不断发展，摄像监控设备不断地升级和普及，各个行业对监控摄像机网络的应用需求也呈现出日益增长的趋势，行人重识别在各种监视应用中发挥着重要作用，如行人检索和公共安全事件检测。行人重识别是利用一张查询图像，从一个大规模的图像集中准确地找到同一个人的所有图像，其中查询图像和图像集中图像是来自不同相机拍摄的没有重叠部分的图片，即确认不同位置的摄像头在不同的时刻拍摄到的行人目标是否为同一人。

最初的行人重识别方法往往依赖于手工提取特征为数据集做标记，这么做不仅费时费力而且性能一直很低。近年来随着深度学习算法的不断发展和大规模行人重识别数据集的出现，行人重识别技术在一些标准公开数据集上的测试准确率已经得到了显著提高。深度学习算法的优势在于卷积神经网络可以自动提取行人特征，通过计算特征间的距离，判断相似度，经过多次迭代训练增强模型的鲁棒性。但是，目前大多数行人重识别模型普遍面临同样一个问题：如果训练模型的训练集和评估模型的测试集来自不同的域时，模型性能会有明显下降，这意味着把在一个场景下训练得到的模型迁移到另一个新的场景中进行测试时往往难以得到令人满意的效果。目前常见的方法之一是用源域预训练模型为目标域的图片打上伪标签。然而在伪标签中可能包含有许多噪声标签，模型的训练往往被伪标签噪声干扰，影响了行人重识别模型的性能。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可以有效的解决伪标签噪声问题，提高行人重识别模型的准确性的基于非对称联合教学网络的跨域行人重识别方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种基于非对称联合教学网络的跨域行人重识别方法，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输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。

进一步地，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。

进一步地，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。

进一步地，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：