[发明专利]一种基于多粒度特征表示和域自适应学习的无监督行人重识别方法

权利要求书

1.一种基于多粒度特征提取和域自适应学习的无监督行人重识别方法，融合不同粒度特征表示，深入挖掘目标域潜在判别信息，包括以下步骤：

步骤1)将行人图像输入多粒度特征提取模块，该模块把池化后的行人特征划分为不同粒度大小，不同粒度的特征首尾相连得到具有更丰富判别信息的多粒度特征表示；

步骤2)将源域的行人图像经过多粒度特征提取模块得到的多粒度特征输入源域分类模块进行分类学习，计算具有行人标签的源域分类损失，使模型获得源域行人的判别信息并为域自适应学习模块提供源域的行人判别知识；

步骤3)将目标域无标签的行人图像经过多粒度特征提取模块得到的多粒度特征输入域自适应模块，基于从源域中获得的判别知识，考虑目标域与源域之间的差异对模型进行适应性学习，充分挖掘目标数据集中潜在的判别信息；

步骤4)将源域分类损失与域自适应损失的加权和作为总损失训练整个模型；

步骤5)测试阶段，目标域的行人图像经过多粒度特征提取模块，得到不同粒度的行人特征后，将其首尾连接作为最终的多粒度行人特征表示，通过计算查询图像与图像库中图像的相似度，返回重识别结果。

2.根据权利要求1所述的一种基于多粒度特征提取和域自适应的无监督行人重识别方法，其特征在于所述步骤1)的多粒度特征提取模块，获得具有丰富外观信息的特征表示，具体为：

1.1)首先将源域与目标域的行人图像分别输入backbone得到初始行人特征图，然后将输出的特征图分别在水平方向上划分为两个和三个大小相等的局部区域，作为粒度为2和3的局部特征图，并保留两个初始特征图作为不同粒度的全局特征图；经过全局和局部的最大池化操作，得到四个不同大小的特征向量P_{2_g},P₂,P₃和P_{3_g}，最后，将P₂,P₃分别从水平方向上均等划分为局部特征：P_{2_0},P_{2_1}和P_{3_0},P_{3_1},P_{3_2}；P_{2_g}和P_{3_g}表示行人图像的全局特征，以弥补局部特征所缺失的全局判别信息；

1.2)经过对特征图进行不同粒度的划分，共得到P_{2_g},P_{2_0},P_{2_1},P_{3_g},P_{3_0},P_{3_1}和P_{3_2}等七个大小为2048×1×1的特征向量；在训练阶段，将对应源数据集行人图像的特征向量输入源域分类模块进行有标签的分类学习；对应目标数据集行人图像的特征向量则进一步经过Reduction操作，将其维度降为：256×1×1，并输入域自适应模块进行目标域的自适应学习。