一种基于互补伪标签的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互补伪标签的跨域行人重识别方法，包括以下步骤：(1)分别从源域数据集和目标域数据集中采样数据，使用卷积神经网络获得各自的嵌入特征表达；(2)将得到的嵌入特征表达分别存入源域缓存和目标域缓存中；(3)使用在源域数据上训练得到的图卷积神经网络获得目标域图像的邻居作为其伪标签，并存入伪标签缓存中；(4)根据邻居伪标签生成目标域图像的组伪标签；(5)使用邻居伪标签和组伪标签以及对应的损失函数共同训练模型，直到模型收敛；(6)对训练好的模型，进行行人重识别的应用。利用本发明专利技术，能够更加深入地挖掘难区分的正样本作为伪标签，提升行人重识别模型在目标域的匹配能力。

【技术实现步骤摘要】
一种基于互补伪标签的跨域行人重识别方法
本专利技术属于计算机视觉行人重识别领域，尤其是涉及一种基于互补伪标签的跨域行人重识别方法。
技术介绍
近年来，行人重识别问题作为安防系统一项重要的技术支持，广泛吸引了工业界和学术界研究者的注意力。行人重识别问题要求在不同相机拍摄到的图像数据库中找到指定的行人，因此一个性能优秀的行人重识别模型可以帮助警察建立犯罪嫌疑人的行动轨迹，可以找到走散的老人儿童。随着近年来几个大规模数据集的发布，以深度学习为基础的模型在行人重识别上的表现获得巨大的突破，甚至在一些数据集上超越了人类的识别能力。但是，在实践中研究者们发现行人重识别模型的性能在跨域情况下性能衰减严重。比如说在A市(源域)采集的训练集上训练得到的模型可以在A市采集的测试集上表现优秀，但是将模型直接应用在B市(目标域)采集的测试集上的性能可能只有原来的20％。传统的解决方案是在目标域采集并标注训练集继续训练模型，但是每更换一次城市都得重新采集标注数据的过程繁琐并且价格昂贵。考虑到收集相机拍摄的图像较为方便而标注较为昂贵，所以很多研究者想到了利本文档来自技高网...

【技术保护点】
1.一种基于互补伪标签的跨域行人重识别方法，其特征在于，包括以下步骤：/n(1)分别从源域数据集和目标域数据集中采样数据，使用卷积神经网络获得各自的嵌入特征表达；/n(2)将得到的嵌入特征表达分别存入源域缓存和目标域缓存中；/n(3)使用在源域数据上训练得到的图卷积神经网络获得目标域图像的邻居作为其伪标签，并存入伪标签缓存中；所述的邻居为预测得到与该目标域图像属于同一身份的其他目标域图像；/n(4)根据邻居伪标签生成目标域图像的组伪标签；/n(5)使用邻居伪标签和组伪标签以及对应的损失函数共同训练模型，直到模型收敛；/n(6)模型训练完毕，输入待识别的图像，对所有目标域数据集的图像提取嵌入特征...

【技术特征摘要】
1.一种基于互补伪标签的跨域行人重识别方法，其特征在于，包括以下步骤：
(1)分别从源域数据集和目标域数据集中采样数据，使用卷积神经网络获得各自的嵌入特征表达；
(2)将得到的嵌入特征表达分别存入源域缓存和目标域缓存中；
(3)使用在源域数据上训练得到的图卷积神经网络获得目标域图像的邻居作为其伪标签，并存入伪标签缓存中；所述的邻居为预测得到与该目标域图像属于同一身份的其他目标域图像；
(4)根据邻居伪标签生成目标域图像的组伪标签；
(5)使用邻居伪标签和组伪标签以及对应的损失函数共同训练模型，直到模型收敛；
(6)模型训练完毕，输入待识别的图像，对所有目标域数据集的图像提取嵌入特征，计算特征余弦距离排序，最后获得在目标域上的识别结果。


2.根据权利要求1所述的基于互补伪标签的跨域行人重识别方法，其特征在于，步骤(1)中，从源域数据集和目标域数据集中采样数据为随机选择P个不同身份的行人，每个行人随机选择K个不同的图像，共得到P×K个图像作为一次训练数据；源域数据的采样根据标注的身份，目标域数据的采样根据步骤(4)中提到的组伪标签。


3.根据权利要求1所述的基于互补伪标签的跨域行人重识别方法，其特征在于，步骤(2)中，所述的源域缓存和目标域缓存构成相同，分别保存每一张源域和目标域图像在步骤(1)中获得的嵌入特征表达。


4.根据权利要求1所述的基于互补伪标签的跨域行人重识别方法，其特征在于，步骤(3)中，所述图卷积神经网络的训练过程如下：
首先对步骤(1)中的每一张源域训练图像，根据其嵌入特征在步骤(2)中的源域缓存中找到最接近的k个图像；然后根据标注信息获得它们是否属于同一身份的行人，以此训练二分类图神经网络。


5.根据权...

【专利技术属性】
技术研发人员：冯昊，蔡登，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33