一种增强优化跨域行人重识别方法技术

本发明专利技术涉及一种增强优化跨域行人重识别方法，属于计算机视觉技术领域。该方法包括：辅助数据和目标数据集构建、可靠训练数据集和增强训练数据集划分、辅助数据和可靠训练数据分类损失、可靠训练数据动态近邻样本探索及增强训练数据动态近邻样本挖掘；本发明专利技术充分利用簇外难样本信息和簇内样本特征，挖掘目标域潜在信息，并与辅助数据进行交替训练，从而提高模型在目标域的匹配性能。型在目标域的匹配性能。型在目标域的匹配性能。

【技术实现步骤摘要】
一种增强优化跨域行人重识别方法


[0001]本专利技术属于计算机视觉
，涉及一种增强优化跨域行人重识别方法。

技术介绍

[0002]行人重识别技术属于图像检索范畴，目的是从展示图像中检索出与给定查询图像相匹配的行人图像。随着智能技术的发展，行人重识别技术广泛应用于嫌疑人图像检索、行为分析等领域。基于监督学习的行人重识别方法由于需要大量有身份信息的训练数据，难以部署于实际场景。作为解决方案之一的无监督域适应行人重识别方法涉及有标签信息的辅助数据和无标签的目标域数据，极大程度上缓解了数据标注的压力。性能最好的无监督域适应行人重识别方法大多采用教学模型和聚类方法分配伪标签，然而涉及的网络模型复杂，以及直接抛弃簇外的难样本，忽略了难样本对模型的引导作用。因此，通过构建一种模型简单的增强优化跨域行人重识别方法，充分利用难样本信息和可靠样本特征，挖掘目标域潜在信息，从而提高模型在目标域的匹配性能。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种增强优化跨域行人重识别方法。该方法包括：辅助数据和目标数据集构建、可靠训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增强优化跨域行人重识别方法，其特征在于：该方法包括以下步骤：S1：获取辅助数据和目标数据，两类数据行人身份完全不同且来自多个摄像机；辅助数据包含行人身份信息，目标数据不包含身份信息；S2：将目标数据送入深度神经网络，指定可靠训练数据和增强训练数据，并为可靠训练数据分配伪标签；增强训练数据由难样本和随机采样的可靠样本组成；S3：将辅助数据和可靠训练数据依次输入深度神经网络，计算辅助数据和可靠训练数据的分类损失，分别以L
src
和L
r_id
表示；S4：将深度神经网络输出的可靠训练数据特征存入特征字典E
r
；根据特征字典探索查询图像的动态近邻样本，使相似特征彼此接近，并计算可靠相似性损失L
r_near
；S5：将步骤S2的增强训练数据输入深度神经网络，输出特征存入增强特征字典E
e
，挖掘动态近邻样本，优化模型对难样本的识别，并计算增强训练损失L
enh_near
；S6：根据S3～S5，将可靠训练数据的分类损失、相似性损失和增强训练数据的增强相似损失进行加权，得到目标数据总损失为：L
tgt
＝ηL
r_id
+L
r_near
+L
enh_near
S7：模型总的损失函数包括：辅助数据分类损失和目标数据总损失的加权和；L＝(1
‑
λ)L
src
+λL
tgt
S8：重复S2～S7，直到迭代次...

【专利技术属性】
技术研发人员：许国良，陈代丽，魏琦璐，刘立竹，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：