【技术实现步骤摘要】
一种基于多注意力联合多级特征的行人再识别方法
本专利技术涉及计算机视觉领域，具体涉及一种基于多注意力联合多级特征的行人再识别方法。行人重识别是计算机视觉领域非常热门的一个研究课题，他可以被视为图像检索的一个子问题。行人重识别的目标就是给定一个监控行人图像，来检索跨设备的情况下该行人的其他图像。当前行人重识别主要分成两种大类方法，一种是传统的方法，主要依赖于手工特征；另外一种是使用深度学习的方法来进行求解。传统的方法因为主要依赖于手工特征，其不能很好的适应数据量很大的一个复杂的环境。近几年来，随着深度学习的发展，大量基于深度学习的行人重识别方法被提出，大大提高了行人重识别的准确性。本专利技术针对该问题开发了轻量级的基于结合压缩激励模块的紧密连接卷积神经网络的图像分类方法。紧密连接卷积神经网络将当前层前所有层的输出作为输入，实现了特征重用以及提高了参数的效率，使得该模型仅仅使用了少量的参数就可以获得很好的性能。压缩激励模块显示的建模通道之间的相互依赖关系，自适应的重新校准通道方向的特征响应，实现了特征选择，有选择的强调信息特征，并抑制无用的...
【技术保护点】
1.一种基于多注意力联合多级特征的行人再识别方法，其特征在于，具体步骤包括如下：/n步骤(1.1)、图片预处理和设定训练次数：将行人重识别数据集划分为训练集和测试集，首先将训练集及测试集中的原始图片缩放到固定尺寸，再对缩放后的训练集中的图片进行数据增强操作，然后将经过数据增强后的训练集中的图片与经过缩放后的测试集中的图片转换为张量，从而完成图片预处理；同时设定网络训练次数用于控制网络训练的止停；/n其中，所述图片预处理包括随机擦除、颜色抖动及各种仿射变换；/n步骤(1.2)、判断是否达到最大训练次数，如是，则停止训练，找出所记录的最高准确度及对应的模型参数作为卷积神经网络模...
【技术特征摘要】
1.一种基于多注意力联合多级特征的行人再识别方法，其特征在于，具体步骤包括如下：
步骤(1.1)、图片预处理和设定训练次数：将行人重识别数据集划分为训练集和测试集，首先将训练集及测试集中的原始图片缩放到固定尺寸，再对缩放后的训练集中的图片进行数据增强操作，然后将经过数据增强后的训练集中的图片与经过缩放后的测试集中的图片转换为张量，从而完成图片预处理；同时设定网络训练次数用于控制网络训练的止停；
其中，所述图片预处理包括随机擦除、颜色抖动及各种仿射变换；
步骤(1.2)、判断是否达到最大训练次数，如是，则停止训练，找出所记录的最高准确度及对应的模型参数作为卷积神经网络模型的最终参数，然后对测试集进行测试，得到测试结果，即得到最佳的卷积神经网络模型；如否，则执行步骤(1.3)、(1.4)及(1.5)；
步骤(1.3)、通过训练卷积神经网络模型得到特征与预测标签：将经过预处理后训练集的张量输入至卷积神经网络模型中，经过卷积池化操作后，输出张量最终的特征，并计算张量属于各个类别的概率，将其记为预测标签；
步骤(1.4)、根据损失函数对网络参数进行更新：计算预测标签与真实标签的交叉熵损失，并根据网络输出的张量特征计算三元组损失，最后根据这两个损失函数计算卷积神经网络参数的梯度，再运用随机梯度下降法更新网络参数；
步骤(1.5)、每训练10次输出一次当前卷积神经网络模型的准确度并保存当前模型参数，将其用于训练完成后的测试，进入步骤(1.2)，再次判断是否达到最大训练次数。
2.根据权利要求1所述的一种基于多注意力联合多级特征的行人再识别方法，其特征在于，在步骤(1.1)中，所述图片预处理的具体方法是：
首先将训练集和测试集中原始图片缩放到固定尺寸384*128，再对缩放后的训练集中的图片执行下述数据增强操作：
(1.1.1)、水平随机翻转以扩大数据集；
(1.1.2)、随机擦除增强网络的鲁棒性；然后将经过数据增强后的训练集中的图片和经过缩放后的测试集的图片转化为张量，最后使用通道均值和标准差对张量进行标准化，再将张量归一化到0到1之间，其操作过程如下式所述：
式中，μ表示图片的均值，X表示图片...
【专利技术属性】
技术研发人员：张国庆，戴阳，杨俊川，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。