一种基于分阶段特征学习的跨域行人重识别方法技术

本发明专利技术属于行人重识别技术领域，公开了一种基于分阶段特征学习的跨域行人重识别方法，包括基于带标签的源域数据集获得带标签的源域样本，并输入至行人通用相似度模型中进行训练得到初始模型；基于无标签的目标域数据集获得无标签的目标域样本，并输入至初始模型中进行特征提取得到行人特征；根据行人特征，采用互近邻伪标签分配法计算得到目标域样本的伪标签；基于目标域样本的伪标签构成带标签的目标域样本，并输入至行人通用相似度模型中进行训练得到部署模型；将待查询样本输入至部署模型中进行特征提取，得到待查询的行人特征并匹配输出检索结果。本发明专利技术解决了现有技术中跨域行人重识别准确度较低的问题，能够获得准确度高的跨域性能。

【技术实现步骤摘要】
一种基于分阶段特征学习的跨域行人重识别方法
本专利技术涉及行人重识别
，尤其涉及一种基于分阶段特征学习的跨域行人重识别方法。
技术介绍
行人重识别技术(Re-ID)是计算机视觉与模式识别领域一个重要的研究方向，它的目标是从视角不相交的图像或视频序列中自动检索特定行人，近年来因监控网络的大规模应用与公共安全意识的增强成为热点研究问题。早期的行人重识别方法大都属于有监督方法，需要大量来自应用场景下采集的标注数据进行监督训练，才能保证模型性能；而且训练好的模型部署到其他应用场景时，将会因为数据分布差异，导致模型准确度大幅下降。因此此类方法要求对每一部署场景采集足量有标注数据进行训练，大大增加了部署成本。随着研究者的关注与日益增长的现实需求，跨域行人重识别被提出。在跨域设定下，需要来自两个域的数据：一个是源域数据，即现有的有标注数据，可以是来自公开的学术数据集，获取成本较低，另一个是目标域数据，即来自应用场景采集的无标注数据。与此前有监督方法不同，此目标域数据无需经过繁琐的标注工作，使得部署成本大为降低。>目前跨域行人重识别本文档来自技高网...

【技术保护点】
1.一种基于分阶段特征学习的跨域行人重识别方法，其特征在于，包括以下步骤：/n步骤1、基于带标签的源域数据集获得带标签的源域样本，将所述带标签的源域样本输入至行人通用相似度模型中进行训练，得到使用源域数据训练好的行人通用相似度模型，所述使用源域数据训练好的行人通用相似度模型作为初始模型；/n步骤2、基于无标签的目标域数据集获得无标签的目标域样本，将所述无标签的目标域样本输入至所述初始模型中进行特征提取，得到由行人局部特征和行人全局特征拼接形成的行人特征；根据所述行人特征，采用互近邻伪标签分配法计算得到目标域样本的伪标签；/n步骤3、基于所述目标域样本的伪标签构成带标签的目标域样本，将所述带标签...

【技术特征摘要】
1.一种基于分阶段特征学习的跨域行人重识别方法，其特征在于，包括以下步骤：
步骤1、基于带标签的源域数据集获得带标签的源域样本，将所述带标签的源域样本输入至行人通用相似度模型中进行训练，得到使用源域数据训练好的行人通用相似度模型，所述使用源域数据训练好的行人通用相似度模型作为初始模型；
步骤2、基于无标签的目标域数据集获得无标签的目标域样本，将所述无标签的目标域样本输入至所述初始模型中进行特征提取，得到由行人局部特征和行人全局特征拼接形成的行人特征；根据所述行人特征，采用互近邻伪标签分配法计算得到目标域样本的伪标签；
步骤3、基于所述目标域样本的伪标签构成带标签的目标域样本，将所述带标签的目标域样本输入至所述行人通用相似度模型中进行训练，得到使用目标域数据训练好的行人通用相似度模型，所述使用目标域数据训练好的行人通用相似度模型作为部署模型；
步骤4、将待查询样本输入至所述部署模型中进行特征提取，得到待查询的行人特征，通过所述待查询的行人特征在行人数据库中进行特征比对，匹配输出检索结果。


2.根据权利要求1所述的基于分阶段特征学习的跨域行人重识别方法，其特征在于，所述行人通用相似度模型选用ResNet50作为风格无关骨干网的组成部件，选用layer4前的部分构建风格无关骨干网，layer4作为残差块，并将实例归一化加入风格无关骨干网的残差块中。


3.根据权利要求1所述的基于分阶段特征学习的跨域行人重识别方法，其特征在于，所述行人通用相似度模型包括风格无关骨干网、第一支路、第二支路，所述第一支路、所述第二支路分别与所述风格无关骨干网的输出端连接；
所述第一支路包括依次连接的注意力模型、残差块、全局最大池化层、瓶颈层；
所述第二支路包括残差块、全局最大池化层、背景消除模块、瓶颈层；所述残差块的输出端分别与所述全局最...

【专利技术属性】
技术研发人员：种衍文，彭程威，潘少明，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42