[发明专利]面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法

摘要

本发明公开了一种面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法，在训练阶段，首先通过采用基于成对样本随机遮挡策略的数据扩充方法增加样本的多样性，提高深度行人重模型训练过程中的鲁棒性，进而提高模型的泛化性能。本发明与现有技术中数据扩充的方法相比，利用了孪生深度学习模型训练数据的特点，同时考虑了孪生网络训练的困难，提出了一种新的数据扩充方法。通过增加训练数据对的多样性，有效缓解单个行人数据集类别少且缺乏多样性问题给带来的影响，提升了模型的泛化性能，让行人重识别方法可以更好的处理复杂环境下的相行人重识别问题。

主权项

1.一种面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法，其特征在于，在训练阶段，首先通过采用基于成对样本随机遮挡策略的数据扩充方法增加样本的多样性，提高深度行人重模型训练过程中的鲁棒性，进而提高模型的泛化性能；在测试阶段，无需对测试图像进行遮挡处理就可以有效的进行行人重识别任务，具体包括以下步骤：S1构建行人重识别深度孪生残差网络S1.1、构造第一深度残差网络，采用迁移学习策略，导入在ImageNet数据集上预训练的残差网络参数，将其作为第一深度残差网络的基础参数；S1.2、通过复制第一深度残差网络的模型结构和参数得到第二深度残差网络；S1.3、计算两个深度残差网络输出的特征向量差值的平方，利用卷积层和分类器进行二分类，判断上述两个深度残差网络的输入是否是同一类别的图像；S1.4、计算两个残差网络输出特征向量的欧式距离，对于同类别图像采用其特征之间的欧式距离作为网络模型的正则损失；S2构造训练数据集S2.1、打乱训练数据集中图像的顺序，产生训练数据对，在模型参数训练的过程中将不同类别的图像对每个时期乘以因子1.01直到不同类别的图像对与相同类别的图像对之间的比例由1:1逐渐增加到4:1；S2.2、将每张图片的尺寸调整成256×256，并且随机裁剪成224×224；S2.3、从每一批的训练数据中随机选择2/3的样本对采用基于成对样本随机遮挡策略操作，用于数据扩充从而增加训练样本的多样性，剩下1/3的样本保持不变，具体是：在执行基于成对样本随机遮挡策略的过程中，随机选择90％的样本进行同步遮挡，即两张图片遮挡相同的区域；5％的样本对随机遮挡第一张图像，第二张图像不进行遮挡处理；剩下5％的样本对随机遮挡第二张图像，第一张图像不进行遮挡处理；在执行基于成对样本随机遮挡策略的过程中，对于需要遮挡的图像被均等的划分为16×16的网格，每张图像被均匀的划分为256个图像块，随机产生一个1～128的随机数Nre用于记录要遮挡的图像块的个数；在执行基于成对样本随机遮挡策略的过程中，随机产生Nre个图像块的位置，用训练样本集中所有图像的均值替代对应位置的像素值；S3行人重识别深度孪生残差网络模型训练S3.1、利用步骤S2已构造好的训练数据集采用批量梯度下降算法对行人重识别深度孪生残差网络进行参数训练；S3.2、参数训练好之后，将第一深度残差网络取出用于行人图像的特征提取；S4构建测试样本集，包括查询集和库集两个集合；S5测试样本重识别性能将所有测试样本集中的图像送入训练好的第一深度残差网络中进行特征提取，并且根据查询集和库集中样本在特征空间的欧式距离查找要搜索的行人；S6输出行人重识别结果。