[发明专利]基于异构双网络和特征一致性的行人重识别模型训练方法

权利要求书

1.一种行人重识别模型训练方法，其特征在于，包括：

预先构建行人重识别异构双网络，所述行人重识别异构双网络包括第一分支网络、第二分支网络和双分支自适应通道互感知模块，所述第二分支网络包括Transformer模块；所述双分支自适应通道互感知模块用于同时对所述第一分支网络提取的局部特征和所述第二分支网络中Transformer模块提取的全局特征进行增强并将其拼接；

将无标签目标域图像输入利用有标签的源域数据集预训练后的所述行人重识别异构双网络中；

获取所述第一分支网络的第一时间平均模型和所述第二分支网络的第二时间平均模型；

将所述第一时间平均模型提取的特征与所述第二时间平均模型提取的特征的平均值进行聚类，生成硬伪标签；

利用所述第一时间平均模型与所述第二时间平均模型预测所述无标签目标域图像，生成软伪标签；

构建特征一致性损失函数，以便利用所述第一时间平均模型提取的特征监督所述第二分支网络提取的特征，利用所述第二时间平均模型提取的特征监督所述第一分支网络提取的特征；

利用所述硬伪标签分别训练所述第一分支网络和所述第二分支网络直至分类损失函数和三元组损失函数收敛；

利用所述软伪标签分别作为对方网络真值标签进行相互监督训练直至软分类损失函数、软三元组损失函数和所述特征一致性损失函数收敛；

计算所述三元组损失函数、所述分类损失函数、所述软三元组损失函数、所述软分类损失函数及所述特征一致性损失函数的总损失作为训练目标，更新优化所述行人重识别异构双网络。

2.根据权利要求1所述的行人重识别模型训练方法，其特征在于，所述Transformer模块采用ResT的第三阶段的网络结构。

3.根据权利要求1所述的行人重识别模型训练方法，其特征在于，所述将无标签目标域图像输入利用有标签的源域数据集预训练后的所述行人重识别异构双网络前包括：

将所述有标签的源域数据集同时输入所述第一分支网络和第二分支网络，所述有标签的源域数据集包括源域图像和真值标签；

将所述第一分支网络提取的局部图像特征和所述第二分支网络提取的全局增强特征分别输入所述双分支自适应通道互感知模块；

所述局部图像特征经过全局最大池化得到最大特征，所述全局增强特征经过全局平均池化得到平均特征；

将所述平均特征和所述最大特征经过全连接操作得到对应概率分布；

利用三元组损失函数和分类损失函数作为训练目标对所述预先构建的行人重识别异构双网络进行优化得到预训练完成的所述行人重识别异构双网络。

4.根据权利要求1所述的行人重识别模型训练方法，其特征在于，所述获取所述第一分支网络的第一时间平均模型和所述第二分支网络的第二时间平均模型包括：

计算第一分支网络参数的移动平均值得到第一时间平均模型参数；

计算第二分支网络参数的移动平均值得到第二时间平均模型参数。

5.根据权利要求1所述的行人重识别模型训练方法，其特征在于，所述将所述第一时间平均模型提取的特征与所述第二时间平均模型提取的特征的平均值进行聚类，生成硬伪标签包括：

将所述第一时间平均模型提取的特征与所述第二时间平均模型提取的特征的平均值作为聚类特征；

利用DBSCAN聚类算法将每个所述无标签目标域图像聚成不同的类别，并为其分配硬伪标签。

6.根据权利要求1所述的行人重识别模型训练方法，其特征在于，所述构建特征一致性损失函数，以便利用所述第一时间平均模型提取的特征监督所述第二分支网络提取的特征，利用所述第二时间平均模型提取的特征监督所述第一分支网络提取的特征包括：

所述特征一致性损失函数为：

其中表示时间平均模型提取的特征，表示原网络提取的特征，为原分支网络参数，为时间平均模型参数。