[发明专利]基于分支学习和分层伪标签的行人重识别网络训练方法

说明书

本发明涉及一种基于分支学习和分层伪标签的行人重识别网络训练方法，行人重识别网络为相互平均教学网络，训练方法包括：获取标签数据集和无标签数据集，将标签数据集作为一层，将无标签数据集分为N层，并对各层的无标签数据分别赋值伪标签，形成N层伪标签数据，N为常数；构建分支学习框架，包括N+1个共享权重的相互平均教学网络分支，其中一个分支用于输入标签数据进行训练，其余N个分支分别对应输入N层伪标签数据进行训练；构建各分支的损失函数，确定分支学习框架的总损失函数，基于总损失函数进行多轮训练，每一轮训练过程中对无标签数据集重新进行分层。与现有技术相比，本发明训练的网络更加精确，训练时网络的收敛速度快。

技术领域

本发明涉及一种行人重识别网络训练方法，尤其是涉及一种基于分支学习和分层伪标签的行人重识别网络训练方法。

背景技术

行人重识别是一项跨域识别同一行人的任务，在目标自动识别中有着重要的地位。最近几年，有许多研究重点关注需要大量标注数据的全监督行人重识别，然而在生活中，大量标注数据往往会消耗大量的人力和时间成本，且在一些情境下，如刑侦调查时，往往缺少大量的标注数据，而每个行人仅有一张标注图像以供网络训练。由此引出单样本行人重识别这一具有意义的研究课题。

目前针对单样本的行人重识别，已经有了一些有价值的研究。有一些研究通过丰富行人的特征来致力于增加识别的精度，一些研究通过扩大训练数据集的规模来提升网络的效果，进而达到提高识别率的效果。通常，扩大训练数据集又有两个思路，一是生成新的可训练数据，二是为无标签数据赋值伪标签将其转换成标签数据参与训练。生成新数据的方法虽然能有效增大训练数据的规模，但其无法充分挖掘已有的标签数据的信息。于是伪标签法成为了应用更为广泛的半监督学习方法。伪标签法分为半监督学习的伪标签法和无监督学习的伪标签法，其中，半监督的伪标签法包括标签传播法和k近邻聚类等，无监督伪标签法包括K-means聚类和DBSCAN聚类等。目前已有的伪标签法大部分仅单用一种方法，然而不同的伪标签法有着不同的适用范围，能从不同视角对无标签数据赋值伪标签，仅用一种方法会限制其使用效果。更重要的是，对于大部分的伪标签法而言，伪标签数据往往被视作和标签数据具有同等的地位，并将它们混合在一起进行训练。实际上，伪标签数据的噪声导致它不能提供和标签数据一样准确的信息，而且不同伪标签法获得的伪标签数据也具有不同的噪声，因而需要将它们分组分别进行训练。不同类型的数据又具有不同的特点，因而对不同组的数据使用相同的损失函数是不合理的，需要针对不同组的特点设计个性化的损失函数。

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基于分支学习和分层伪标签的行人重识别网络训练方法。

本发明的目的可以通过以下技术方案来实现：

一种基于分支学习和分层伪标签的行人重识别网络训练方法，所述的行人重识别网络为相互平均教学网络，所述的相互平均教学网络包括两个结构相同的网络Net1和Net2以及对应的平均网络Mean Net1和Mean Net2，所述的训练方法包括：

获取标签数据集和无标签数据集，将标签数据集作为一层，将无标签数据集分为N层，并对各层的无标签数据分别赋值伪标签，形成N层伪标签数据，N为常数；

构建分支学习框架，包括N+1个共享权重的相互平均教学网络分支，其中一个分支用于输入标签数据进行训练，其余N个分支分别对应输入N层伪标签数据进行训练；

构建各分支的损失函数，确定分支学习框架的总损失函数，基于总损失函数对分支学习框架进行多轮训练，每一轮训练过程中对无标签数据集重新进行分层。

优选地，所述的无标签数据集分为2层，具体为：将与标签数据集中的标签数据距离较近的若干无标签数据分作一层，剩余无标签数据分作一层。

优选地，所述的无标签数据集分层的具体方式为：