[发明专利]基于跨摄像头自蒸馏的行人重识别模型建立方法及其应用

权利要求书

1.一种基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，包括如下步骤：

(S1)利用特征提取网络提取行人图片的特征后，对所提取的特征进行聚类，将聚类所得的每一个类别划分为多个子聚类，将所属类别和所属子聚类分别标注为行人图片的全局伪标签和局部伪标签，得到训练集；每个子聚类中的特征提取自同一摄像头捕获的行人图片；

(S2)构建包含所述特征提取网络以及与摄像头一一对应的多个分类器的监督网络，其中的特征提取网络用于提取行人图片的特征，各分类器分别根据该特征进行分类，得到行人图片属于各子聚类的概率；若行人图片与分类器对应的摄像头相同，则分类器的输出记为同摄像头分类概率分布，否则，记为跨摄像头分类概率分布；

(S3)利用所述训练集对所述监督网络进行训练，以优化所述特征提取网络的参数；训练损失函数包括分类损失L_{cross_entropy}和蒸馏损失L_distill，分别表示同摄像头分类概率分布与局部伪标签之间的差异，以及跨摄像头分类概率分布与同摄像头分类概率分布之间的差异；

(S4)重复步骤(S1)～(S3)，直至所述特征提取网络收敛，输出所述特征提取网络作为行人重识别模型。

2.如权利要求1所述的基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，所述步骤(S1)中，将聚类所得的每一个类别划分为多个子聚类，包括：

(S11)对于每一个类别，将提取自同一个摄像头的行人图片的特征划分至一个小聚类中，得到多个小聚类；

(S12)分别计算各小聚类的紧密度，并将紧密度小于阈值λ的小聚类进一步划分为多个新的小聚类，使各个小聚类的紧密度均不小于所述阈值λ；

(S13)将最终所得的各个小聚类作为所述子聚类。

3.如权利要求2所述的基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，小聚类的紧密度为该小聚类中所有特征的Silhouette分数的平均值。

4.如权利要求2所述的基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，所述阈值λ的计算式为：

λ＝mean(mSil)-0.5(mSil)

其中，mean(mSil)表示步骤(S11)中所有小聚类的紧密度的平均值，std(mSil)表示步骤(S11)中所有小聚类的紧密度的标准差。

5.如权利要求1～4任一项所述的基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，对于任意第k个分类器，其根据特征提取网络提取的特征进行分类后，得到的行人图片属于各子聚类的概率为：

其中，表示全局伪标签为i、局部伪标签为j且由第k^*个摄像头捕获的行人图片的特征；C^k由第k个摄像头对应的子聚类的类中心向量拼接而成；τ为预设参数，且τ＞0；表示第k个分类器根据特征进行分类后，得到的行人图片属于各子聚类的概率。

6.如权利要求5所述的基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，还包括：

在训练过程中，使用特征对全局伪标签为i、局部伪标签为j且与第k个摄像头对应的子聚类的类中心向量进行动量更新后，对C^k进行更新。

7.如权利要求5所述的基于跨摄像头自蒸馏的行人重识别模型建立方法，其特征在于，所述蒸馏损失L_distill的计算表达式为：

其中，N表示总样本对数；表示全局伪标签为i、局部伪标签为j₁且由第k₁个摄像头捕获的行人图片的特征；表示第k₁个分类器根据特征进行分类后，得到的行人图片属于各子聚类的概率；表示全局伪标签为i、局部伪标签为j₂且由第k₂个摄像头捕获的行人图片的特征；表示第k₁个分类器根据特征进行分类后，得到的行人图片属于各子聚类的概率；k₁≠k₂。