一种基于聚类的无监督跨域行人重识别方法技术

本发明专利技术公开了一种基于聚类的无监督跨域行人重识别方法，首先，将带标签的源域图片输入到定义的网络架构中进行预训练得到baseline模型；然后，将经过风格转换的无标签目标域图像输入到baseline模型中进行特征提取并定义伪标签，接着使用定义的伪标签来细化上一阶段预训练的模型；最后，加载训练好的行人重识别模型，提取待检索图片和目标域的行人图片特征，从目标域中检索最匹配的行人图片并输出。本发明专利技术有效提高行人重识别模型在实际生活中的实用性，提升重识别性能，网络性能好，泛化能力强。

An unsupervised cross domain pedestrian recognition method based on Clustering

【技术实现步骤摘要】
一种基于聚类的无监督跨域行人重识别方法
本专利技术属于图像识别
，具体涉及一种基于聚类的无监督跨域行人重识别方法。
技术介绍
近年来行人重识别在计算机视觉领域得到了非常广泛的研究，目标是给定一张待检索的行人图片，在几个互不重叠的摄像头拍摄的视频中检索该人并输出。现有的行人重识别方法都是基于一个先验条件：所有画面中的行人已被检测框检测出来了，目标域数据集都是被检测框框出来的行人图像。最初的方法依赖于手工提取特征为数据集做标记，不仅费时费力而且性能一直很低。近年来随着深度学习的迅猛发展，行人重识别的性能也得到了很大的提升。深度学习的优势在于卷积神经网络可以自动提取行人特征，计算特征间的距离，判断相似度，经过多次迭代训练增强模型的鲁棒性。最初基于深度学习的行人重识别方法主要关注全局特征，但全局特征通常会忽略一些在识别中很重要的局部信息，比如鞋子、衣服logo、墨镜等。因此有研究者提出了基于局部特征的方法，主要分为两个方面：一种是基于部件的方法，侧重于定位具有特定语义的区域来进行局部表示；另一种是直接将图片进行水平分割的方法。最近基于GAN网络生本文档来自技高网...

【技术保护点】
1.一种基于聚类的无监督跨域行人重识别方法，其特征在于，包括以下步骤：/n(1)将带标签的源域图片输入到自定义的网络模型中进行预训练得到baseline模型；/n(2)将无标签的目标域图片输入到StarGAN网络中生成相机不变性的新图片，并与目标域图片形成新的训练集；/n(3)对新的训练集进行预处理，并输入到步骤(1)训练的baseline模型中提取特征作为每个图像的最终特征表示；/n(4)根据步骤(3)生成的特征向量两两计算距离，根据自定义的阈值给一部分行人图像定义伪标签；/n(5)根据步骤(4)定义的标签结合聚类算法对目标域图像进行聚类，根据聚类结果为目标域图像重新赋标签；/n(6)使用自...

【技术特征摘要】
1.一种基于聚类的无监督跨域行人重识别方法，其特征在于，包括以下步骤：
(1)将带标签的源域图片输入到自定义的网络模型中进行预训练得到baseline模型；
(2)将无标签的目标域图片输入到StarGAN网络中生成相机不变性的新图片，并与目标域图片形成新的训练集；
(3)对新的训练集进行预处理，并输入到步骤(1)训练的baseline模型中提取特征作为每个图像的最终特征表示；
(4)根据步骤(3)生成的特征向量两两计算距离，根据自定义的阈值给一部分行人图像定义伪标签；
(5)根据步骤(4)定义的标签结合聚类算法对目标域图像进行聚类，根据聚类结果为目标域图像重新赋标签；
(6)使用自定义的伪标签作为监督信息和难分样本三元组损失细化步骤(1)中训练得到的baseline模型，每一次迭代都对行人重新标注伪标签，直到稳定；
(7)加载训练好的行人重识别模型，输入待检索图片，提取待检索图片和目标域的行人图片特征，检索最匹配的行人图片并输出。


2.根据权利要求1所述的一种基于聚类的无监督跨域行人重识别方法，其特征在于，步骤(1)所述的自定义网络模型如下：
使用在ImageNet上预训练过的ResNet50作为主干网络，保留主干网络res_conv_4_2之前的部分，将之后的网络分为两个分支，两个分支结构相似但下采样率不同，包括全局分支和局部分支，全局分支学习整体的特征表示，局部分支注重细节的特征提取，使用三元组损失和softmax损失来细化baseline模型。


...

【专利技术属性】
技术研发人员：王敏，胡卓晶，赵淑雯，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32