[发明专利]基于深度学习网络的行人重识别方法、装置、设备及介质

权利要求书

1.一种基于深度学习网络的行人重识别方法，其特征在于，包括：

获取初始行人重识别网络；

创建与所述初始行人重识别网络对应的同构训练网络；所述同构训练网络具有多个网络结构相同的同构分支；

利用目标损失函数对所述同构训练网络进行训练，确定所述同构训练网络中每个网络层的最终权重参数；

通过所述初始行人重识别网络加载所述最终权重参数，得到最终行人重识别网络，以利用所述最终行人重识别网络执行行人重识别任务；

其中，所述利用目标损失函数对所述同构训练网络进行训练，确定所述同构训练网络中每个网络层的最终权重参数，包括：

在对所述同构训练网络的训练过程中，确定交叉熵损失函数的交叉熵损失值、确定三元组损失函数的三元组损失值、确定知识协同损失函数的知识协同损失值、确定概率协同损失函数的概率协同损失值；其中，所述知识协同损失函数用于：利用每个样本在每两个同构分支的嵌入层输出特征的欧式距离，确定知识协同损失值；

利用所述交叉熵损失值、所述三元组损失值、所述知识协同损失值、所述概率协同损失值的总损失值，确定所述同构训练网络中每个网络层的最终权重参数；

其中，所述确定概率协同损失函数的概率协同损失值的过程包括：

获取每个同构分支的分类层输出的图像分类概率；

计算每个同构分支的图像分类概率的argmax值，若argmax值的分类标签与真实分类标签相同，则输出同构分支的嵌入层输出特征，并将同构分支的argmax值作为预测概率值输出；所述argmax值为图像分类概率中的最大值；

根据所述概率协同损失函数，以及每个同构分支输出的预测概率值及嵌入层输出特征，确定概率协同损失值；

其中，所述根据所述概率协同损失函数，以及每个同构分支输出的预测概率值及嵌入层输出特征，确定概率协同损失值，包括：

利用每个同构分支输出的预测概率值确定每个同构分支的权重值；

根据第一特征确定规则确定目标特征；其中，所述第一特征确定规则为：

；其中，为当前迭代训练的目标特征，为同构分支的总数，b表示第b个同构分支，为第b个同构分支的权重值，为第个样本，表示第b个同构分支的网络参数，为在第b个同构分支的嵌入层输出特征；

利用第一概率协同损失函数确定概率协同损失值；所述第一概率协同损失函数为：

；其中，为概率协同损失值。

2.根据权利要求1所述的行人重识别方法，其特征在于，所述根据第一特征确定规则确定目标特征之后，还包括：

在每次迭代训练中，将目标特征作为历史特征存储至先进先出缓存序列；

利用第二特征确定规则确定虚拟分支特征；所述第二特征确定规则为：

；其中，为虚拟分支特征，为第一超参数，为第二超参数，为从所述先进先出缓存序列选取的历史特征的数量，表示从所述先进先出缓存序列选取的第个历史特征；

利用第二概率协同损失函数确定概率协同损失值；所述第二概率协同损失函数为：

。

3.根据权利要求1所述的行人重识别方法，其特征在于，所述确定三元组损失函数的三元组损失值的过程包括：

根据每个样本在每个同构分支的嵌入层输出特征，以及第一三元组损失函数，确定每个同构分支的第一损失值；

从每个同构分支中选取数值最小的第一损失值作为所述三元组损失值；

其中，所述第一三元组损失函数为：

；

其中，为第b个同构分支的第一损失值，N为训练样本的总数，a为锚点样本，为锚点样本的嵌入层输出特征，y为样本的分类标签，p为与锚点样本属于同一分类标签的具有最大类内距离的样本，为p样本的嵌入层输出特征，q为与锚点样本属于不同分类标签的具有最小类间距离的样本，为q样本的嵌入层输出特征，m为第一参数，用于求取距离，与均表示求取最大距离，表示求取最小距离，表示锚点样本的分类标签，表示p样本的分类标签，表示q样本的分类标签。