【技术实现步骤摘要】
一种基于SP-PGGAN风格迁移的行人重识别方法
本专利技术属于计算机视觉领域，具体涉及深度学习、对抗网络、图像处理、特征提取等技术。本专利技术提出的基于SP-PGGAN风格迁移的行人重识别方法能实现有标注数据集到无标注数据集的风格迁移，并且在有标注数据集迁移过后训练的行人重识别网络能提升无标注数据集行人重识别的效果。
技术介绍
行人重识别(PersonRe-identification)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。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。近几年，行人重识别在计算机视觉领域获得了越来越多的关注。行人再识别具有广阔的应用前景，包括行人检索、行人跟踪、街头事件检测，行人动作行为分析等等。解决这一课题面临着诸多挑战，其中一个挑战是对大量有标注训练数据的需求，本专利技术针对这一挑战，提出了一种有效的迁移模型，使...
【技术保护点】
1.一种基于SP-PGGAN的风格迁移方法，其特征在于包括SP-PGGAN模型，该模型用于有标注的行人重识别数据集和无标注的行人重识别数据集之间的风格迁移，其模型结构是在CycleGAN基础上进行的改进，CycleGAN是两个镜像对称的GAN，构成了一个环形网络，两个GAN共享生成器G和生成器F，生成器G和生成器F各自带一个局部判别器，分别为D
【技术特征摘要】
1.一种基于SP-PGGAN的风格迁移方法，其特征在于包括SP-PGGAN模型，该模型用于有标注的行人重识别数据集和无标注的行人重识别数据集之间的风格迁移，其模型结构是在CycleGAN基础上进行的改进，CycleGAN是两个镜像对称的GAN，构成了一个环形网络，两个GAN共享生成器G和生成器F，生成器G和生成器F各自带一个局部判别器，分别为DX和DY，SP-PGGAN是在CycleGAN的基础上，保留了CycleGAN的生成器，并且在生成器生成后加入了孪生网络来指导生成器的生成过程，同时，将CycleGAN的局部判别器DX和DY替换成了并行的局部判别器和全局判别器。
2.根据权利要求1所述的一种基于SP-PGGAN的风格迁移方法，其特征在于：所述的SP-PGGAN的生成器由两部分组成：一部分是CycleGAN的生成器G和生成器F，每个生成器由浅入深依次是两个步长为2的卷积层、六个残差块和两个步长为1/2的反卷积层；另一部分是孪生网络，它由浅入深依次是四层步长为2的卷积层、四层步长为2的最大池化层和一层全连接层；
SP-PGGAN判别器包括判别器DT和判别器Ds，其中判别器DT包括局部判别器DT和全局判别器DT，判别器Ds包括局部判别器Ds和全局判别器Ds；判别器DT和判别器Ds结构相同，参数不共享，其中，全局判别器DT和局部判别器DT共享四层步长为2的卷积层，从第四层结束开始分为两路，一路是DT全局判别器；另一路是DT局部判别器，它通过全连接层输出一个256维的向量。
3.根据权利要求1所述的一种基于SP-PGGAN的风格迁移方法，其特征在于：所述的SP-PGGAN的训练过程为：
对于正方向而言，其生成过程为，来自于有标注数据集的训练集图片x通过生成器G生成一张图片G(x)，图片G(x)通过生成器F生成图片F(G(x))，然后将图片x和G(x)、图片G(x)和无标注数据集训练集的图片y分别输入到孪生网络，孪生网络用于提高风格迁移过程中有标注数据中的行人ID信息的准确性；其判别过程为，将图片G(x)和无标注数据集训练集的图片y同时输入到全局判别器DT和局部判别器DT中进行判别器的训练，其中全局判别器是对整体图片的真假进行判别，局部判别器是对图片的局部真假进行判别；
对于反方向而言，其生成过程为，来自于无标注数据集训练集的图片y通过生成器F生成一张图片F(y)，图片F(y)通过生成器G生成图片G(F(y))，然后将图片y和F(y)、图片F(y)和有标注数据集训练集的图片x分别输入到孪生网络；其判别过程为，将图片F(y)和有标注数据集训练集的图片x同时输入到全局判别器Ds和局部判别器Ds中进行判别器的训练；
在训练过程中，先保持判别器不变，训练生成过程的参数，然后固定生成器，训练判别器的参数，重复上述过程，让生成器和判别器分别逐渐进化。
4.根据权利要求书1所述的一种应用于行人重识别的SP-PGGAN风格迁移方法其特征在于，SP-PGG...
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。