行人身份再识别方法及存储介质技术

本申请公开了一种行人身份再识别方法及存储介质，该方法包括：对图像识别神经网络模型进行调整；检测调整后的图像识别神经网络模型的识别准确度；根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；若否，则转向所述对图像识别神经网络模型进行调整。本申请实施例提供的行人身份再识别方法，兼顾视觉相似性和时间一致性，实现无监督行人身份再识别，具有更强的鲁棒性和更好的性能，可以用于无标记信息的情况下提取具有高判别力和高鲁棒性的行人特征，可应用于行人的准确检索与匹配。

【技术实现步骤摘要】
行人身份再识别方法及存储介质
本申请涉及计算机视觉
，具体涉及一种联合视觉相似性和时间一致性的无监督的行人身份再识别方法及存储介质。
技术介绍
行人身份再识别(ReID)的目的是通过匹配他/她的图像或视频序列来识别摄像头网络中的行人，该技术有很多有前景的应用，如智能监控和刑事调查。近年来，有监督的行人身份再识别(ReID)技术在从带标签的人物图像和视频中进行区别特征学习方面取得了显著进展。然而，有监督的行人身份再识别方法依赖于大量标记成本昂贵的已标记数据。当转换到不同的目标域时，在源域上训练的深度模型的性能会显著下降。这些问题导致在实际应用程序中部署有监督的ReID模型变得困难。为了解决这个问题，研究人员将注意力集中在无监督学习上，无监督学习可以利用大量的未标记数据进行训练。与有监督学习相比，无监督学习减少了昂贵的数据注释需求，因此更有可能将行人ReID推向真实应用。最新的研究将无监督的行人ReID定义为利用其他领域已标记数据的转移学习任务。相关工作可归纳为两类：(1)利用生成性对抗网络(GAN，GenerativeAdv本文档来自技高网...

【技术保护点】
1.一种行人身份再识别方法，其特征在于，包括：/n对图像识别神经网络模型进行调整；/n检测调整后的图像识别神经网络模型的识别准确度；/n根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；/n若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；/n若否，则转向所述对图像识别神经网络模型进行调整。/n

【技术特征摘要】
1.一种行人身份再识别方法，其特征在于，包括：
对图像识别神经网络模型进行调整；
检测调整后的图像识别神经网络模型的识别准确度；
根据所述识别准确度判断所述图像识别神经网络模型是否训练完成；
若是，则利用训练完成的图像识别神经网络模型针对行人图像进行身份再识别处理；
若否，则转向所述对图像识别神经网络模型进行调整。


2.根据权利要求1所述的方法，其特征在于，所述对图像识别神经网络模型进行调整，包括：
获取图像识别神经网络模型的整体损失；
利用所述整体损失更新所述图像识别神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述获取图像识别神经网络模型的整体损失，包括：
获取已标记源域上的最小化交叉熵损失；
通过自适应分类模型获取最小化分类局部损失；
通过时间引导的聚类模型获取多标签分类全局损失；
对所述最小化交叉熵损失进行加权求和，以得到的和作为所述图像识别神经网络模型的整体损失。


4.根据权利要求3所述的方法，其特征在于，所述获取已标记源域上的最小化交叉熵损失，包括：
计算所述已标记源域中的各图像属于各类别的概率；
对各所述概率进行取对数操作，得到取对数后的值；
计算各所述取对数后的值的平均值；
对所述平均值进行取负数操作，得到所述已标记源域上的最小化交叉熵损失。


5.根据权利要求3所述的方法，其特征在于，所述通过自适应分类模型获取最小化分类局部损失，包括：
从未标记目标域中抽取若干样本图像；
通过自适应分类模型给各所述样本图像分配不同的行人身份标签；
生成分类器，利用所述分类器对分配行人身份标签后的样本图像进行分类；
计算分类后的样本图像所对应的分类分数；
...

【专利技术属性】
技术研发人员：张史梁，李佳宁，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11