基于无监督学习的行人重识别领域自适应方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于无监督学习的行人重识别领域自适应方法及装置，所述方法包括：通过将带有身份标识的行人图像输入领域自适应特征提取模型，确定其初始特征和增强特征，并计算待进行行人重识别的图像特征与初始特征和增强特征的相似度，进行行人重识别；其中，领域自适应特征提取模型包括用于生成存在视角差异和/或不同光照差异的特征增强图像的循环对抗生成网络模块、提取图像初始特征和增强特征的特征提取模块，以及确定初始特征和增强特征的外观相似特征的对比学习模块。本发明专利技术实施例在面对新场景时不需要重新训练网络，成本较低，且能够准确提取带有身份标识行人图像的初始特征和增强特征得到识别结果，具有较高的鲁棒性。

【技术实现步骤摘要】
基于无监督学习的行人重识别领域自适应方法及装置
本专利技术涉及计算机
，尤其涉及一种基于无监督学习的行人重识别领域自适应方法及装置。
技术介绍
行人重识别作为智能安防监控中非常重要的子系统，其任务主要是在行人图像数据库中检索给定行人的其他图像，任务难点在于跨摄像头视角、姿态、尺度变化等因素的影响。同时当前行人重识别极度依赖于训练数据集，基于深度学习的方法往往会在训练数据集上学习到当前数据集摄像机的参数分布，因此，当网络迁移到新的场景下时会存在显著的性能下降。而对新的场景重现标注再训练的成本非常高，因此利用跨场景的无标签数据对网络进行领域自适应提高性能是一种非常有效的做法。领域自适应是指迁移模型到与训练集不同分布数据上时性能能够提升，而不是显著下降。现有技术方案采用无监督图像表示学习中对比学习，通过数据增强的方式使得网络能够从无监督的样本中学习图像有用的表示迁移到下游的学习任务并使得下游学习任务性能提升。基于大规模的无标签数据，每一个图像样本都被当作单独的类别，网络的任务就是面对不同数据增强过后的样本输出相似的特征输出。...

【技术保护点】
1.一种基于无监督学习的行人重识别领域自适应方法，其特征在于，包括：/n获取带有身份标识的行人图像，将所述带有身份标识的行人图像输入领域自适应特征提取模型中，确定带有身份标识的行人图像的初始特征和增强特征；/n获取待进行行人重识别的图像，确定待进行行人重识别的图像特征；/n计算所述待进行行人重识别的图像特征，与带有身份标识的行人图像的初始特征和增强特征的相似度，进行行人重识别；/n其中，所述领域自适应特征提取模型包括循环对抗生成网络模块、特征提取模块和对比学习模块，所述领域自适应特征提取模型为采用行人重识别样本图像训练得到的；/n其中，所述循环对抗生成网络模块用于对所述样本图像进行不同视角差异...

【技术特征摘要】
1.一种基于无监督学习的行人重识别领域自适应方法，其特征在于，包括：
获取带有身份标识的行人图像，将所述带有身份标识的行人图像输入领域自适应特征提取模型中，确定带有身份标识的行人图像的初始特征和增强特征；
获取待进行行人重识别的图像，确定待进行行人重识别的图像特征；
计算所述待进行行人重识别的图像特征，与带有身份标识的行人图像的初始特征和增强特征的相似度，进行行人重识别；
其中，所述领域自适应特征提取模型包括循环对抗生成网络模块、特征提取模块和对比学习模块，所述领域自适应特征提取模型为采用行人重识别样本图像训练得到的；
其中，所述循环对抗生成网络模块用于对所述样本图像进行不同视角差异和/或不同光照差异的图像转换，生成与所述样本图像对应的存在视角差异和/或不同光照差异的特征增强图像；所述特征提取模块，用于对所述样本图像进行特征提取，获取初始特征提取结果，以及，用于对所述特征增强图像进行特征提取，获得增强特征提取结果；所述对比学习模块，用于在特征提取模块获取初始特征提取结果和增强特征提取结果后，通过最近邻特征挖掘，确定所述初始特征提取结果和所述增强特征提取结果中的外观相似特征，并在所述初始特征提取结果和所述增强特征提取结果中标记所述外观相似特征，提高所述初始特征提取结果和所述增强特征提取结果中外观相似特征的使用权重；其中，所述外观相似特征是指所述初始特征提取结果和所述增强特征提取结果中的相似外观特征；
其中，在对所述领域自适应特征提取模型进行训练时，通过计算循环一致性损失、对抗生成损失来优化所述循环对抗生成网络模块，以及通过计算对比损失来优化所述特征提取模块，直至满足预设收敛条件。


2.根据权利要求1所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，所述通过计算对比损失来优化所述特征提取模块，包括：
在对比学习模块确定所述初始特征提取结果和所述增强特征提取结果中的外观相似特征，并在所述初始特征提取结果和所述增强特征提取结果中标记所述外观相似特征后，将特征提取模块中的图像特征输入对比损失函数，计算对比损失，并根据对比损失优化特征提取模块参数。


3.根据权利要求1所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，还包括：
若判断待进行行人重识别的图像中的行人为带有身份标识的行人图像中的行人，则将待进行行人重识别的图像特征添加至特征提取模块。


4.根据权利要求1所述的基于无监督学习的行人重识别领域自适应方法，其特征在于，所述循环对抗生成网络模块用于对所述样本图像进行不同视角差异和/或不同光照差异的图像转换，生成与所述样本图像对应的存在视角差异和/或不同光照差异的特征增强图像，包括：
获取真摄像头下的样本图像和假摄像头下的样本图像；
第一生成器将真摄像头下的样本图像转化为假摄像头下的样本图像，第二生成器将假摄像头下的样本图像转化为真摄像头下的样本图像，第一判别器识别输入图像是否为真摄像头下的样本图像，第二判别器识别输入图像是否为假摄像头下的样本图像；
其中，所述真摄像头下的样本图像和假摄像头下的样本图像是存在视角差异和/或光照差异的样本图像；
相应地，所述通过计算循环一致性损失、对抗生成损失来优化所述循环对抗生成网络模块，包括：
根据循环一致性损失以及对抗生...

【专利技术属性】
技术研发人员：王金鹏，王金桥，胡建国，唐明，林格，招继恩，朱贵波，
申请(专利权)人：杰创智能科技股份有限公司，
类型：发明
国别省市：广东;44