基于特征对抗学习和自相似性聚类的跨域目标重识别方法技术

本发明专利技术属于计算机视觉、模式识别领域，具体涉及一种基于特征对抗学习和自相似性聚类的跨域目标重识别方法、系统、装置，旨在解决现有的目标重识别方法由于聚类中心个数不固定，限制特征表达的判别力，导致识别结果鲁棒性较差的问题。本系统方法包括：获取待识别的图像，作为输入图像；对所述输入图像，通过预训练的特征提取网络提取其特征，作为第一特征；计算第一特征与图像库中各图像对应特征的欧式距离并进行排序，将排序结果进行输出。本发明专利技术提高了跨域目标重识别的鲁棒性。

【技术实现步骤摘要】
基于特征对抗学习和自相似性聚类的跨域目标重识别方法
本专利技术属于计算机视觉、模式识别领域，具体涉及一种基于特征对抗学习和自相似性聚类的跨域目标重识别方法、系统、装置。
技术介绍
目标重识别属于图像检索领域的子问题。给定一个目标的图像，通常为行人图像或车辆图像，目标重识别任务旨在找到其他场景下的该目标图像。近年来，车辆重识别和行人重识别已经成为计算机视觉领域的研究的重点，并且很多基于深度学习的方法已经取得了良好的成果。然而，这些基于深度学习的方法大多需要大量有标注的训练数据，而且由于领域差异的存在，在一个数据集上面训练的模型用另一个数据集测试，性能会大幅下降。由于在大型目标数据集上标注大量的样本十分费时费力，所以使用领域自适应方法就成为了一个更经济的选择。无监督领域自适应的目标是将从一个完全标注的数据域(源域)中学习到的判别信息迁移到另一个无标注的数据域(目标域)上。常规的无监督领域自适应方法将样本映射到一个领域无关且保留判别力的特征表达上，从而将在源域上学习到的判别信息迁移到目标域上。很多方法从不同角度限制特征表达的领域无关性，例如基本文档来自技高网...

【技术保护点】
1.一种基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，该方法包括：/n步骤S100，获取待识别的图像，作为输入图像；/n步骤S200，对所述输入图像，通过预训练的特征提取网络提取其特征，作为第一特征；计算所述第一特征与图像库中各图像对应特征的欧式距离并进行排序，将排序结果进行输出；/n所述特征提取网络其训练方法为：/n步骤A100，获取第一数据集、第二数据集；并基于所述第一数据集对特征提取网络进行预训练；所述第一数据集为源域训练数据集，其包括训练样本及其对应的真实标签；所述第二数据集为目标域训练数据集；/n步骤A200，对所述第二数据集中各训练样本，通过预训练的特征提取网络提...

【技术特征摘要】
1.一种基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，该方法包括：
步骤S100，获取待识别的图像，作为输入图像；
步骤S200，对所述输入图像，通过预训练的特征提取网络提取其特征，作为第一特征；计算所述第一特征与图像库中各图像对应特征的欧式距离并进行排序，将排序结果进行输出；
所述特征提取网络其训练方法为：
步骤A100，获取第一数据集、第二数据集；并基于所述第一数据集对特征提取网络进行预训练；所述第一数据集为源域训练数据集，其包括训练样本及其对应的真实标签；所述第二数据集为目标域训练数据集；
步骤A200，对所述第二数据集中各训练样本，通过预训练的特征提取网络提取其特征，并通过自相似性聚类获取其对应的伪标签；
步骤A300，通过预设的伪标签对齐算法对各伪标签进行对齐，将对齐后的标签作为第一标签；并分别计算所述第二数据集中各训练样本提取的特征与其对应的第一标签的损失，作为第一损失；
步骤A400，通过预构建的领域判别网络计算第一数据集、第二数据集中各训练样本提取的特征分布之间的Wasserstein距离，并基于该距离构建对抗损失，作为第二损失；计算第一数据集中各训练样本提取的特征与其对应的真实标签的损失，作为第三损失；所述领域判别网络基于卷积神经网络构建；
步骤A500，基于所述第一损失、所述第二损失、所述第三损失对所述特征提取网络进行参数更新；
步骤A600，循环步骤A200-步骤A500，直至得到训练好的特征提取网络。


2.根据权利要求1所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述特征提取网络其在利用源域训练数据集进行训练时，其对应损失函数为：



其中，表示特征提取网络对应的损失值，xs表示源域训练数据集中的各训练样本，ys表示源域训练数据集中的各训练样本对应的真实标签，ns表示源域训练数据集中训练样本的数量，Xs表示源域训练数据集，表示交叉熵损失，表示三元组损失，表示中心损失，λtri、λcen表示各损失函数对应的权值。


3.根据权利要求2所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述自相似性聚类为K均值聚类算法。


4.根据权利要求1所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述伪标签对齐算法，其方法为：
步骤B10，将第K-1次聚类的各簇与第K次聚类具有相同伪标签数量最多的簇建立对应关系；其中，K为正整数；
步骤B20，对各对应关系，若其为多对一的关系，则保留第K-1次聚类中相同伪标签数量最多的簇的对应关系，将其中其他的对应关系删除；
步骤B30，对第K-1次聚类删除对应关系的簇，将其与第K次聚类具有相同伪标签数量最多且没有对应关系的簇建立对应关系，并跳转步骤B20，直至第K-1次聚类各簇与第K次聚类各簇建立一对一的关系。


5...

【专利技术属性】
技术研发人员：郭海云，王金桥，唐明，刘松岩，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11