[发明专利]一种自适应难例挖掘的行人重识别方法与系统

摘要

本发明公开了一种自适应难例挖掘的行人重识别模型、方法与系统，其中，识别方法包括：将样本图片随机分成每次迭代使用的训练集合，将训练集合输入卷积神经网络，利用softmax函数得到每个样本对属于正、负样本对的概率，进而利用多项逻辑斯蒂函数得到每个样本对的损失；利用每个样本对的损失获取难例样本对；利用难例样本对训练卷积神经网络，直到当前迭代次数达到迭代次数上限，得到行人重识别模型。利用行人重识别模型提取待识别图片集的中每个图片的特征，进而得到待识别图片集中样本对的相似度排序。本发明不存在过拟合、欠拟合、且识别准确率高。

主权项

1.一种自适应难例挖掘的行人重识别模型的训练方法，其特征在于，包括：(1)采集样本图片，将样本图片随机分成每次迭代使用的训练集合，将每个训练集合中的所有样本图像两两分组，得到多个样本对，若样本对中两张样本图像来自同一目标行人则该样本对的真实标签为正样本对，否则该样本对的真实标签为负样本对；(2)将第一次迭代的训练集合输入卷积神经网络，利用softmax函数得到每个样本对属于正、负样本对的概率，进而利用多项逻辑斯蒂函数得到每个样本对的损失；(3)对于每个训练集合中所有样本对的损失从大到小排列得到集合S，并计算每个训练集合的总损失L，利用每个训练集合的总损失L与一个自适应的难例阈值相乘得到每个训练集合的难例样本对的损失和的阈值β，当集合S中前m个样本对的损失和超过阈值β时，集合S中前m个样本对构成难例样本对集合H；(4)利用难例样本对集合H向前传播训练卷积神经网络，利用难例样本对集合H中难例样本对的损失在卷积神经网络中反向传播来更新卷积神经网络的参数；(5)将第A次迭代的训练集合输入卷积神经网络，A≥2，然后重复步骤(2)‑(4)，直到当前迭代次数达到迭代次数上限，卷积神经网络训练完成，得到行人重识别模型。