【技术实现步骤摘要】
一种基于伪标签修正的多目标跟踪无监督域适应方法
[0001]本专利技术属于计算机视觉、智能识别
,特别地涉及到一种基于伪标签修正的多目标跟踪无监督域适应方法。
技术介绍
[0002]多目标跟踪作为计算机视觉领域一项重要的基础任务,通过分析视频帧图像序列的视觉、运动等信息,完成对感兴趣目标的定位和身份确认,其在工程上有着广泛的应用,如自动驾驶、视频监控、行为预测、交通管理等。随着深度学习技术的快速发展,得益于深度网络对图像目标强大的特征表示能力,多目标跟踪技术也得到进一步发展。
[0003]多目标跟踪系统通常包含目标检测和数据关联两个部分,其中目标检测部分可以对图像中出现的目标进行定位,数据关联部分则依据目标轨迹在外形、运动等信息上的连续性,为检测出的目标赋予身份ID,完成轨迹与检测结果的数据关联。基于此流程的多种实现形式,多目标跟踪方法可分为基于外观特征距离的跟踪方法、基于运动信息的跟踪方法、基于视频片段的跟踪方法等。本专利技术所描述的无监督域适应方法以较为流行的基于外观特征距离的跟踪框架为例,但并不限于该种形式,而是适用于所有以深度网络为基础的多目标跟踪范式。
[0004]通过使用包含监督信息的数据集在深度网络上的训练,多目标跟踪模型可以在当前数据集(源数据域)上拟合到较为良好的性能,但当应用到其他场景的数据(目标数据域)上时,由于数据间分布的差异(例如季节的变化、虚拟合成与现实拍摄、相机参数不同等),模型不能很好发挥其性能。由于多目标跟踪所需要的身份级别的监督信息标注是一项复杂而耗时的工作, ...
【技术保护点】
【技术特征摘要】
1.一种基于伪标签修正的多目标跟踪无监督域适应方法,其特征在于,具体包括如下步骤:(1)形成域适应训练数据集:使用图像风格转换模型G进行源域数据D
s
{x
s
,(Box
s
,ID
s
)}向目标域数据D
t
{x
t
}的风格迁移,获得转换后的数据集合并D
′
s
和D
t
形成域适应训练数据集;(2)训练获得跟踪模型:使用并D
′
s
和D
t
形成的训练数据集,进行一个阶段的多目标跟踪模型的域适应训练,获得当前训练阶段的跟踪模型M
curr
;(3)获得粗糙的伪标签:使用当前训练阶段的跟踪模型M
curr
和目标域数据集D
t
{x
t
},获得粗糙的伪标签(Box
p
,ID
p
);(4)修正粗糙的伪标签:将目标域数据集D
t
{x
t
}以及粗糙的伪标签(Box
p
,ID
p
)送入伪标签修正模块,获得修正后的更为准确的伪标签(Box
p
′
,ID
p
′
);(5)组合数据:将修正后的伪标签作为目标域数据的监督信息,组合当前的目标域数据D
t
{x
t
,(Box
p
′
,ID
p
′
)}和风格转换后的源域数据D
′
s
{x
s
″
(Box
s
,ID
s
)}形成新的数据集;(6)重复和收敛:重复(2)~(5)步骤,进行域适应模型的训练收敛,直至模型达到损失函数低于固定阈值...
【专利技术属性】
技术研发人员:王润发,于慧敏,齐国栋,卢朝晖,顾建波,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
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。