基于数据风格解耦内容迁移的行人重识别数据域适应方法技术

本发明专利技术属于智能识别技术领域，涉及基于数据风格解耦内容迁移的行人重识别数据域适应方法，包括：步骤一，构建用于训练的数据风格解耦网络；步骤二，利用源域和目标域数据进行内容迁移；步骤三，利用源域和目标域数据，合成样本特征以及对应的标签对内容特征提取器CE进行训练；步骤四，训练完成后，仅保留内容特征提取器CE作为测试用特征提取网络。本发明专利技术利用风格迁移模型实现了对不同数据域图片的风格解耦，获得具有数据域不变性的共享内容特征空间，并在共享内容特征空间内进行内容迁移，深入挖掘了源域与目标域数据之间的差异进行迁移适应，在测试应用中仅保留内容特征提取器，网络规模小，模型复杂度低，易于在实际应用场景部署。

【技术实现步骤摘要】
基于数据风格解耦内容迁移的行人重识别数据域适应方法
本专利技术属于智能识别
，具体涉及基于数据风格解耦内容迁移的行人重识别数据域适应方法。
技术介绍
行人重识别的任务是在于摄像机A不存在重叠区域的摄像机B中，对行人目标进行检索，重新找到在摄像机A中出现的行人目标。作为当前重要的研究方向和研究热点，行人重识别在智能监控、智慧城市、治安防治和刑侦等领域都有着广泛的应用，例如跨摄像机的行人跟踪与行为分析，嫌疑或感兴趣人员的图片检索与查询等。随着深度学习技术的迅速发展以及卷积神经网络强大的学习拟合能力，基于身份标签的行人重识别算法已经在主流数据集上获得了非常高的识别准确率和首位命中率，甚至超越了人眼的识别能力。然而对于行人身份类别的标注是一项非常繁琐且消耗大量人力的工程，同时在现实监控场景中，每时每刻都有海量的新行人数据产生，对如此大量的数据进行人为标注变得越来越不可行，因此，如何基于当前已有的标注好的数据和训练好的模型，对未知场景分布的无标签数据进行学习和适应，逐渐被越来越多的研究者所关注。现有的行人重识别域适应模型，大多将数据本文档来自技高网...

【技术保护点】
1.基于数据风格解耦内容迁移的行人重识别数据域适应方法，其特征在于，包括以下步骤：/n步骤一：构建用于训练的数据风格解耦网络：所述用于训练的数据风格解耦网络包含由卷积神经网络构成的风格特征提取器SE和内容特征提取器CE，图像解码器Dec，数据域判别器D；网络构建后将源域和目标域行人数据送入数据风格解耦网络进行训练；/n步骤二：利用源域和目标域数据进行内容迁移：在进行风格解耦后的内容特征空间内，首先对目标域数据特征进行聚类，根据所在聚类分配身份伪标签；其次利用源域数据样本特征和目标域数据样本特征进行加权组合，生成新的合成样本特征，并以相同的方式加权获得对应的合成样本标签；/n步骤三：利用源域数据...

【技术特征摘要】
1.基于数据风格解耦内容迁移的行人重识别数据域适应方法，其特征在于，包括以下步骤：
步骤一：构建用于训练的数据风格解耦网络：所述用于训练的数据风格解耦网络包含由卷积神经网络构成的风格特征提取器SE和内容特征提取器CE，图像解码器Dec，数据域判别器D；网络构建后将源域和目标域行人数据送入数据风格解耦网络进行训练；
步骤二：利用源域和目标域数据进行内容迁移：在进行风格解耦后的内容特征空间内，首先对目标域数据特征进行聚类，根据所在聚类分配身份伪标签；其次利用源域数据样本特征和目标域数据样本特征进行加权组合，生成新的合成样本特征，并以相同的方式加权获得对应的合成样本标签；
步骤三：利用源域数据，目标域数据，合成样本特征以及对应的标签对内容特征提取器CE进行训练；
步骤四：训练完成后，仅保留内容特征提取器CE作为测试用特征提取网络。


2.如权利要求1所述的基于数据风格解耦内容迁移的行人重识别数据域适应方法，其特征在于，所述步骤一中利用输入的行人数据对风格解耦网络进行训练，具体包括：
（1.1）将源域行人图像和目标域行人图像分别送入风格特征提取器SE，提取对应的风格特征；
（1.2）将源域行人图像和目标域行人图像分别送入内容特征提取器CE，提取对应的内容特征；
（1.3）将源域行人图像的风格特征和内容特征送入图像解码器Dec，生成重构的源域行人图像，将目标域行人图像的风格特征和内容特征送入图像解码器Dec，生成重构的目标域行人图像；
（1.4）将源域行人图像的风格特征和目标域行人图像的内容特征送入图像解码器Dec，生成目标域向源域风格迁移的图像，将目标域行人图像的风格特征和源域图像的内容特征送入图像解码器Dec，生成源域向目标域风格迁移的图像；
（1.5）将重构的源域行人图像、重构的目标域行人图像、目标域向源域风格迁移的图像、源域向目标域风格迁移的图像送入数据域判别器D判别其风格特征所对应的域类别进行分类。


3.如权...

【专利技术属性】
技术研发人员：于慧敏，李殊昭，陆易，叶喜勇，
申请(专利权)人：之江实验室，浙江大学，
类型：发明
国别省市：浙江;33