[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在审

专利信息
申请号: 202110258611.6 申请日: 2021-03-09
公开(公告)号: CN113052017A 公开(公告)日: 2021-06-29
发明(设计)人: 付利华;杜宇斌;陈人杰;王丹;陈辉 申请(专利权)人: 北京工业大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62
代理公司: 北京思海天达知识产权代理有限公司 11203 代理人: 沈波
地址: 100124 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 粒度 特征 表示 自适应 学习 监督 行人 识别 方法
【说明书】:

发明公开了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,用于解决无监督行人重识别跨域识别精度不高,行人特征表示辨别力不强的问题,提升模型的可扩展性。首先引入多粒度特征提取模块,得到行人图像具有更丰富判别信息的多粒度特征表示;对于源数据集中有标签的行人图像,源域分类模块对其进行分类学习,为域自适应学习模块提供源域的行人判别知识;域自适应模块基于从源域中获得的判别知识,充分挖掘目标数据集中潜在的判别信息。本发明能够获得较强的行人特征表示,考虑目标域与源域的差异因素,在无标签的目标域识别精度较高,并保持稳定的识别效果。

技术领域

本发明属于图像处理和计算机视觉领域,涉及行人重识别的方法,尤其涉及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。

背景技术

行人重识别是跨越不同摄像头的行人图像检索任务。近几年,随着深度卷积网络的引入,行人重识别技术快速发展,尤其是有监督的行人重识别技术获得了较高的重识别精度。但是,有监督的行人重识别技术需要手动标识训练数据,而对于深度学习模型,需要大量有标签的行人图像,以训练得到较为鲁棒的行人重识别模型,这不仅需要耗费大量的精力和时间,也限制了行人重识别技术的进一步发展。无监督的行人重识别技术旨在解决行人重识别模型的可扩展性问题,即如何将行人重识别模型从有标签的源数据集扩展到其它无标签的目标数据集。对于无标签的目标数据集,行人重识别模型如何有效地学习到目标域的判别信息,是无监督行人重识别技术的一项重要挑战。

一般的无监督行人重识别方法首先在有标签的源数据集预训练模型,只学习行人图像的一般特征表示,然后将无标签的目标数据集输入模型进行聚类或分配伪标签,最后基于得到的聚类结果或伪标签,对预训练模型进行微调,得到最终的重识别模型。通过从源域传递判别知识给目标域,这种方法可以使模型学习到目标数据集的分布,从而更好地适应目标域的变化。但是,由于模型提取的行人特征表示辨别力不足,并且通过预训练模型得到的聚类结果或伪标签与目标数据集的真实行人标签存在偏差,模型并不能真正学习到目标域的判别信息,因此导致模型没有达到令人满意的效果。

为了解决上述问题,本发明提出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。

发明内容

本发明用于解决无监督行人重识别跨域识别精度不高、行人特征表示辨别力不强的问题。为了解决上述问题,本发明提供了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。首先设计多粒度特征提取模块,提取更多的行人局部细节信息,得到具有更丰富判别信息的多粒度行人特征表示;为有效提高行人重识别模型的可扩展性,设计域自适应模块,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。通过模块间的相互协作,本发明在无标签的目标域可以达到良好的行人重识别效果。具体包括以下步骤:

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;

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;

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。

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。

5)在测试阶段,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。

进一步,所属步骤1)中的多粒度特征提取模块,获得多粒度特征,具体为:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110258611.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top