【技术实现步骤摘要】
一种基于GAN的无监督自适应行人重识别方法
本专利技术涉及智能监控领域，尤其是涉及了一种基于GAN(GenerativeAdversarialNetworks，生成式对抗网络)的无监督自适应行人重识别方法。
技术介绍
随着城市人口的不断增长和视频监控系统的大量普及，社会公共安全问题越来越受到人们的重视。为了增强摄像头网络的安防水平，行人重识别技术在人员检索上也得到了广泛关注。行人重识别，也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。当前行人重识别方法主要通过基于特定场景下大量带标签的视频图像数据训练出一个稳定可靠的模型，但是这类监督学习方法忽略了在实际应用中系统对新场景的适应性，并且依赖于大量带标签的行人数据，而标签工作往往需要耗费大量的人力和物力，不利于系统的部署。此外由于行人图像都存在光照变化，视角姿势变化与遮挡等诸多挑战，仅仅利用无标签的数据进行无监督学习也难以达到令人满意的性能。近年来，随着迁移学习研究的深入和发展，通过迁移学习算法思想，将在带标签源数据集上训练所得的网络模...
【技术保护点】
1.一种基于GAN的无监督自适应行人重识别方法，其特征在于，包括如下步骤：/n步骤一，源域训练，在带有标签的源数据集上预训练CNN模型，包括如下步骤：/n(1)将待识别的行人图片输入所述CNN模型的骨干网络中；/n(2)将所述骨干网络中最后一个全局池化层产生的全局池化特征输入到批量归一化层中生成最终的特征表示；/n(3)使用一个全连接层，对所述最终的特征表示执行行人的ID分类；/n(4)通过softmax对所属全连接层的分类结果进行归一化处理；/n步骤二，自训练，采用所述预训练的CNN模型提取无标签目标数据集的特征，通过聚类获得伪标签，通过所述伪标签训练所述CNN模型，包括...
【技术特征摘要】
1.一种基于GAN的无监督自适应行人重识别方法，其特征在于，包括如下步骤：
步骤一，源域训练，在带有标签的源数据集上预训练CNN模型，包括如下步骤：
(1)将待识别的行人图片输入所述CNN模型的骨干网络中；
(2)将所述骨干网络中最后一个全局池化层产生的全局池化特征输入到批量归一化层中生成最终的特征表示；
(3)使用一个全连接层，对所述最终的特征表示执行行人的ID分类；
(4)通过softmax对所属全连接层的分类结果进行归一化处理；
步骤二，自训练，采用所述预训练的CNN模型提取无标签目标数据集的特征，通过聚类获得伪标签，通过所述伪标签训练所述CNN模型，包括如下步骤：
(1)利用在源域上训练好的所述CNN模型提取无标签目标数据集的特征，获得大小为mt×mt的矩阵M，其中Mij＝||xi-xj||2为矩阵中xi和xj之间的距离，mt表示M矩阵的大小，其值为所述目标数据集图片总数，xi、xj表示矩阵M中的元素，源数据集与目标数据集之间的距离矩阵表示为：
d(xi,xj)＝(1-λ)dJ(xi,xj)+λ(dW(xi)+dW(xj))
所述λ∈[0,1]表示平衡参数，所述NS(xi)表示源数据集S与xi最近的元素；
(2)采用DBSCAN进行聚类，获得伪标签；
D＝DBSCAN(MST,τ,n)
所述D表示数据，包括图片及其伪标签，所述τ为半径，其取值为所述MST内前1.6‰元素的平均值，所述n为密度阈值；
(3)通过所述聚类获得的伪标签训练所述CNN模型。
2.根据权利要求1所述的一种基于GAN的无监督自适应行人重识别方法，其特征在于，所述步骤一，还包括(5)采用Adam优化器来训练所述CNN模型；
所述Adam优化器的参数如下：
所述t表示时间步长，所述gt表示t时刻的梯度，所述表示求ft关于θ的梯度，所述f表示目标函数，Θt表示更新的参数，所述mt表示一阶矩的估计，即mean均值，所诉vt表示二阶矩的估计，即variance方差，所述表示对mean进行校正后的mean，所述表示t时刻的β1，所述表示对variance进行校正后的variance，所述表示t时刻的β2，所述α表示学习率，所述β1、β2和ε是超参数。
3.根据权利要求2所述的一种基于GAN的无监督自适应行人重识别方法，其特...
【专利技术属性】
技术研发人员：殷海兵，郑声晟，章天杰，黄晓峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。