[发明专利]一种基于双向语义对齐聚类的跨域行人再识别方法与装置

权利要求书

1.一种基于双向语义对齐聚类的跨域行人再识别方法，其特征在于，所述方法包括：

基于至少三个分支模型构建跨域行人识别模型；

基于源域数据集和目标域数据集训练所述跨域行人识别模型；

采用训练好的跨域行人识别模型识别目标行人数据；

其中，所述三个分支模型为第一分支模型、第二分支模型和第三分支模型，各分支模型均包含有主干网络和特征表达模块。

2.根据权利要求1所述的基于双向语义对齐聚类的跨域行人再识别方法，其特征在于，所述源域数据集具有标签，所述源域数据集包括整体源域数据集、第一局部源域数据集和第二局部源域数据集，所述目标域数据集包括整体目标域数据集、第一局部目标域数据集和第二局部目标域数据集，所述跨域行人识别模型还包括域间处理模块和域内处理模块，所述基于源域数据集和目标域数据集训练所述跨域行人识别模型，包括：

将整体源域数据集和整体目标域数据集同时输入第一分支模型，得到第一源域特征和第一目标域特征；

将第一局部源域数据集和第一局部目标域数据集同时输入第二分支模型，得到第二源域特征和第二目标域特征；

将第二局部源域数据集和第二局部目标域数据集同时输入第三分支模型，得到第三源域特征和第三目标域特征；

将所述第一源域特征、第二源域特征、第三源域特征、第一目标域特征、第二目标域特征和第三目标域特征输入域间处理模块，得到域间处理结果；

将第一目标域特征、第二目标域特征和第三目标域特征输入域内处理模块，得到域内处理结果；

基于域间处理结果和域内处理结果得到所述目标域数据集的假标签；

基于假标签训练所述跨域行人识别模型，直至训练好为止。

3.根据权利要求2所述的基于双向语义对齐聚类的跨域行人再识别方法，其特征在于，各分支模型包含的主干网络均包括五个阶段的卷积层，所述五个阶段的卷积层紧邻设置，且均在紧邻第五阶段卷积层后设置有反卷积层；所述将整体源域数据集和整体目标域数据集同时输入第一分支模型，得到第一源域特征和第一目标域特征包括：

将整体源域数据集和整体目标域数据集同时输入第一分支模型的主干网络；

所述五个阶段的卷积层对整体源域数据集和整体目标域数据集做卷积处理；

所述反卷积层对所述卷积处理的结果进行分割约束，得到第一源域原始特征和第一目标域原始特征；

将所述第一源域原始特征和第一目标域原始特征输入特征表达模块进行特征提取，得到第一源域特征和第一目标域特征。

4.根据权利要求2所述的基于双向语义对齐聚类的跨域行人再识别方法，其特征在于，所述域间处理模块包括域间语义基模块和域间稀疏表达模块；所述将所述第一源域特征、第二源域特征、第三源域特征、第一目标域特征、第二目标域特征和第三目标域特征输入域间处理模块，得到域间处理结果，包括：

将第一源域特征、第二源域特征和第三源域特征域间输入所述语义基模块；

将第一目标域特征、第二目标域特征和第三目标域特征输入所述域间稀疏表达模块；

所述语义基模块对第一源域特征、第二源域特征和第三源域特征进行字典学习，得到域间多层次语义基；

将所述域间多层次语义基输入所述域间稀疏表达模块；

所述域间稀疏表达模块根据第一目标域特征、第二目标域特征、第三目标域特征和所述域间多层次语义基进行稀疏编码框架学习，得到域间处理结果。

5.根据权利要求4所述的基于双向语义对齐聚类的跨域行人再识别方法，其特征在于，所述域内处理模块包括域内语义基模块和域内稀疏表达模块；将第一目标域特征、第二目标域特征和第三目标域特征输入域内处理模块，得到域内处理结果，包括：

将第一目标域特征、第二目标域特征和第三目标域特征输入域内语义基模块；

所述语义基模块对第一目标域特征、第二目标域特征和第三目标域特征进行字典学习，得到域内语义基；

将所述域内语义基输入所述域内稀疏表达模块；

所述域间稀疏表达模块对所述域内语义基进行稀疏编码框架学习，得到域内处理结果。