一种基于对抗擦除注意力机制的行人再识别方法技术

本发明专利技术实施例公开了一种基于对抗擦除注意力机制的行人再识别方法，该方法包括：构建基于对抗擦除注意力机制的深度神经网络；获取训练集，并从中选择B个行人图像作为深度神经网络的输入；利用深度神经网络提取行人的全局深度特征；通过对抗擦除注意力机制，提取行人的局部深度特征；将全局深度特征和局部深度特征送入不同的损失函数中，基于得到的损失值优化深度神经网络；利用深度神经网络提取待查询图像的最终特征，计算最终特征与搜索库中行人图像的特征向量之间的相似度，获得待查询图像的匹配结果。本发明专利技术利用对抗擦除注意力机制的方法学习互补的行人特征，不但减小了过拟合的风险还提高了网络的泛化能力，从而提高行人检索匹配的正确率。

A Pedestrian Recognition Method Based on Anti-erasure Attention Mechanism

The embodiment of the present invention discloses a pedestrian recognition method based on the anti-erasure attention mechanism, which includes: constructing a depth neural network based on the anti-erasure attention mechanism; acquiring a training set and selecting B pedestrian images as the input of the depth neural network; extracting the global depth characteristics of pedestrians by using the depth neural network; and adopting the anti-erasure attention machine. To extract the local depth features of pedestrians, the global depth features and local depth features are fed into different loss functions, and the depth neural network is optimized based on the loss values obtained. The depth neural network is used to extract the final features of the image to be queried, and the similarity between the final features and the feature vectors of the pedestrian image in the search database is calculated to obtain the matching results of the image to be queried. \u3002 The invention uses the method of anti-erasure attention mechanism to learn complementary pedestrian features, not only reduces the risk of over-fitting, but also improves the generalization ability of the network, thereby improving the correct rate of pedestrian retrieval matching.

【技术实现步骤摘要】
一种基于对抗擦除注意力机制的行人再识别方法
本专利技术属于计算机视觉、深度学习、人工智能
，具体涉及一种基于对抗擦除注意力机制的行人再识别方法。
技术介绍
行人再识别旨在从不同角度架设的摄像机中检索特定的行人，它在视频检索、多摄像机跟踪、行为识别等领域中扮演着重要的角色。然而行人再识别还面临诸多挑战，例如姿态变化、视角变化、光照变化等。目前，深度神经网络被广泛的运用到行人再识别方法中，尤其在特征学习方面。一些方法专注于利用全局特征表示行人图像。例如，Xiao等人提出了一种从多个不同域获取全局深度特征的方法。Qian等人提出了一种多尺度深度学习模型(MuDeep)，该模型从多个尺度学习全局深度特征，并通过自动调整其权重将其组合起来。然而，全局深度特征忽略了行人的结构信息，导致不能完整的表示行人。因此，一些方法提出将行人图像或卷积激活图直接分割成若干部分以学习局部深度特征。例如，Yi等人提出将图像分割成三个重叠部分，并训练三个网络来捕获行人图像的不同统计特性。Sun等人利用均匀分割卷积激活图的方法提取局部深度特征。Wang等人设计了一个多分支深度网络，其中每个分支将卷积激活图划分为本文档来自技高网...

【技术保护点】
1.一种基于对抗擦除注意力机制的行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，构建基于对抗擦除注意力机制的深度神经网络；步骤S2，获取训练集，并从训练集中选择B个行人图像作为所述深度神经网络的输入；步骤S3，基于输入图像，利用所述深度神经网络提取行人的全局深度特征；步骤S4，基于输入图像，通过对抗擦除注意力机制，利用所述深度神经网络提取行人的局部深度特征；步骤S5，将行人的所述全局深度特征和所述局部深度特征送入不同的损失函数中，并基于得到的损失值优化所述深度神经网络；步骤S6，利用已训练好的深度神经网络提取待查询图像的最终特征，并计算所述最终特征与搜索库中行人图像的特征向量之间的相...

【技术特征摘要】
1.一种基于对抗擦除注意力机制的行人再识别方法，其特征在于，该方法包括以下步骤：步骤S1，构建基于对抗擦除注意力机制的深度神经网络；步骤S2，获取训练集，并从训练集中选择B个行人图像作为所述深度神经网络的输入；步骤S3，基于输入图像，利用所述深度神经网络提取行人的全局深度特征；步骤S4，基于输入图像，通过对抗擦除注意力机制，利用所述深度神经网络提取行人的局部深度特征；步骤S5，将行人的所述全局深度特征和所述局部深度特征送入不同的损失函数中，并基于得到的损失值优化所述深度神经网络；步骤S6，利用已训练好的深度神经网络提取待查询图像的最终特征，并计算所述最终特征与搜索库中行人图像的特征向量之间的相似度，以获得所述待查询图像的匹配结果。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：步骤S11，搭建深度神经网络中的初始网络；步骤S12，搭建深度神经网络中的擦除网络；步骤S13，利用训练好的残差网络对所述初始网络和擦除网络的参数进行赋值，得到基于对抗擦除注意力机制的深度神经网络。3.根据权利要求2所述的方法，其特征在于，所述步骤S11包括以下步骤：步骤S111，使用残差网络-50作为所述初始网络的主干网络并移除残差网络-50中最后的全连接层，得到修改后的残差网络；步骤S112，在修改后的残差网络之后添加两个全连接层、一个非线性激活函数和一个随机失活操作构成所述初始网络。4.根据权利要求2所述的方法，其特征在于，所述步骤S12包括以下步骤：步骤S121，使用残差网络-50作为所述擦除网络的主干网络并移除残差网络-50中最后的全连接层，得到修改后的残差网络；步骤S122，在修改后的残差网络之后添加两个全连接层、一个非线性激活函数和一个随机失活操作构成所述擦除网络的主干网络；步骤S123，添加对抗擦除操作到所述擦除网络的主干网络，得到所述擦除网络。5.根据权利要求1所述的方法，其特征在于，所述步骤S3包括以下步骤：步骤S31，利用输入图像训练所述深度神经网络的初始网络；步骤S32，从所述深度神经网络中初始网络的平均池化...

【专利技术属性】
技术研发人员：刘爽，郝晓龙，张重，石明珠，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：天津,12