一种基于通道剪枝的行人重识别方法技术

本发明专利技术提供的一种基于通道剪枝的行人重识别方法，该方法主要包括以下步骤：获取行人图像，根据行人图像构建得到第一训练数据集；根据第一训练数据集进行训练得到行人重识别模型；通过行人重识别模型进行行人重识别；方法避免了复杂的通道裁剪过程，能够在一开始就一步到位确定网络结构，并能利用已有的预训练权值进行初始化；并通过加入解压层的概念，我们得以绕开特征尺寸不匹配的问题，应用集成学习，对模型进行压缩，以此实现了人重识别算法的轻量化，可广泛应用于计算机视觉技术领域。可广泛应用于计算机视觉技术领域。可广泛应用于计算机视觉技术领域。

A pedestrian recognition method based on channel pruning

【技术实现步骤摘要】
一种基于通道剪枝的行人重识别方法


[0001]本专利技术涉及计算机视觉
，尤其是一种基于通道剪枝的行人重识别方法。

技术介绍

[0002]行人重识别算法是一种跨摄像头匹配检测到的行人的技术，来源于跨摄像头多目标追踪(MTMC，Multi
‑
Target Multi
‑
Camera Tracking)中的一项子任务。由于通常使用的神经网络计算量大，通常为了神经网络模型能够运行在边缘端应用，如手机、智能摄像头、车辆等，模型会进行轻量化。另外在行人重识别典型实现中，行人重识别算法的计算次数与检测出来的行人数量成正比，因此对行人重识别算法进行轻量化十分必要。
[0003]在现有技术中，对于行人重识别算法的通道剪枝问题，经典的通道剪枝方案有如下几种：
[0004](1)通过卷积核权重的绝对值最大排序，从小到大剪除通道；
[0005](2)通过卷积核权重的绝对值之和排序，从小到大剪除通道；
[0006](3)通过LASSO回归分配不同卷积核的重要性，剪除重要性低的通道；
[0007]然而这些方案操作都十分繁琐，尤其是对有跃层连接(skip connection)的网络，如ResNet50，删除某一层的通道还要对之后的几层进行同步的删除。

技术实现思路

[0008]有鉴于此，为至少部分解决上述技术问题，本专利技术实施例的目的在于提供更为便捷，更加轻量的基于通道剪枝的行人重识别方法。
[0009]为此，本申请技术方案提供了一种基于通道剪枝的行人重识别方法，包括以下步骤：
[0010]获取行人图像，根据所述行人图像构建得到第一训练数据集；
[0011]根据所述第一训练数据集进行训练得到行人重识别模型；
[0012]通过所述行人重识别模型进行行人重识别；
[0013]其中，所述训练数据集包括第一训练数据集和第二训练数据集；根据所述训练数据集进行训练得到行人重识别模型这一步骤，包括：
[0014]加载初始模型在所述第一训练数据集上的第一预训练权重得到学生网络模型；
[0015]加载在所述第二训练数据集上的第二预训练权重得到教师网络模型；
[0016]在所述学生网络模型中插入监督层，插入监督层后的所述学生网络模型的通道数与所述教师网络模型的通道数相同；
[0017]通过所述教师网络模型对所述监督层的输出特征进行监督，得到监督损失；
[0018]根据所述监督损失构建损失函数，根据所述损失函数对所述学生网络模型进行监督训练得到所述行人重识别模型。
[0019]在本申请方案的一种可行的实施例中，所述根据所述训练数据集进行训练得到行人重识别模型这一步骤，其还包括：
[0020]对所述初始模型的输出通道进行裁剪得到所述学生网络模型。
[0021]在本申请方案的一种可行的实施例中，在通过所述教师网络模型对所述监督层的输出特征进行监督，得到监督损失这一步骤之后，所述行人重识别方法包括：
[0022]获取模型训练中的三元组损失以及交叉熵损失；
[0023]通过对所述监督损失、所述三元组损失以及所述交叉熵损失进行求和，构建得到所述损失函数。
[0024]在本申请方案的一种可行的实施例中，所述通过所述教师网络模型对所述监督层的输出特征进行监督，得到监督损失这一步骤，包括：
[0025]通过所述监督层从所述学生网络模型中提取得到若干第一中间特征；
[0026]对所述第一中间特征进行解压；
[0027]将解压后的所述第一中间特征与所述教师网络模型中对应的第二中间特征进行对比，计算得到均方误差，根据所述均方误差得到所述监督损失。
[0028]在本申请方案的一种可行的实施例中，所述均方误差的计算公式为：
[0029][0030]其中，i代表第i个监督层，t代表特征来自于教师网络模型，s代表特征来自于学生网络模型，f
t,i
是来自于教师网络模型的第二中间特征张量，f
s,i
是来自于学生网络模型的第一中间特征张量，c为通道数量，h表示竖直方向上像素数量，w表示水平方向上像素数量，l＝1,2,3,
…
n，j＝1,2,3,
…
n，k＝1,2,3,
…
n，n为正整数。
[0031]在本申请方案的一种可行的实施例中，所述对所述第一中间特征进行解压这一步骤，包括：
[0032]对所述第一中间特征的通道进行解压，保持所述第一中间特征的特征尺寸不变。
[0033]在本申请方案的一种可行的实施例中，所述获取行人图像，根据所述行人图像构建得到第一训练数据集这一步骤，包括：
[0034]获取原始视频文件和/或视频流，通过高斯混合模型提取得到所述原始视频文件和/或所述视频流中的运动前景；
[0035]通过行人检测器从所述运动前景的视频帧中提取得到若干行人图像；
[0036]根据若干所述行人图像构建得到所述训练数据集。
[0037]在本申请方案的一种可行的实施例中，所述监督层为1
×
1卷积结构。
[0038]在本申请方案的一种可行的实施例中，所述监督层设置在所述学生网络模型中特征尺寸将改变的位置。
[0039]在本申请方案的一种可行的实施例中，所述述行人重识别方法，还包括以下步骤：加载在所述第二训练数据集上的第二预训练权重得到若干个所述教师网络模型。
[0040]本专利技术的优点和有益效果将在下面的描述中部分给出，其他部分可以通过本专利技术的具体实施方式了解得到：
[0041]本申请技术方案基于网络蒸馏的通道剪枝，提供了一种简单明了的行人重识别方法，方法避免了复杂的通道裁剪过程，能够在一开始就一步到位确定网络结构，并能利用已有的预训练权值进行初始化；并通过加入解压层的概念，我们得以绕开特征尺寸不匹配的
问题，应用集成学习，对模型进行压缩，以此实现了人重识别算法的轻量化。
附图说明
[0042]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为相关技术中一种基于通道剪枝的行人重识别方法的步骤流程图；
[0044]图2为本申请技术方案中的训练架构图。
具体实施方式
[0045]下面详细描述本专利技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于通道剪枝的行人重识别方法，其特征在于，包括以下步骤：获取行人图像，根据所述行人图像构建得到第一训练数据集；根据所述第一训练数据集进行训练得到行人重识别模型；通过所述行人重识别模型进行行人重识别；其中，所述训练数据集包括第一训练数据集和第二训练数据集；根据所述训练数据集进行训练得到行人重识别模型这一步骤，包括：加载初始模型在所述第一训练数据集上的第一预训练权重得到学生网络模型；加载在所述第二训练数据集上的第二预训练权重得到教师网络模型；在所述学生网络模型中插入监督层，插入监督层后的所述学生网络模型的通道数与所述教师网络模型的通道数相同；通过所述教师网络模型对所述监督层的输出特征进行监督，得到监督损失；根据所述监督损失构建损失函数，根据所述损失函数对所述学生网络模型进行监督训练得到所述行人重识别模型。2.根据权利要求1所述的一种基于通道剪枝的行人重识别方法，其特征在于，所述根据所述训练数据集进行训练得到行人重识别模型这一步骤，其还包括：对所述初始模型的输出通道进行裁剪得到所述学生网络模型。3.根据权利要求1所述的一种基于通道剪枝的行人重识别方法，其特征在于，在通过所述教师网络模型对所述监督层的输出特征进行监督，得到监督损失这一步骤之后，所述行人重识别方法包括：获取模型训练中的三元组损失以及交叉熵损失；通过对所述监督损失、所述三元组损失以及所述交叉熵损失进行求和，构建得到所述损失函数。4.根据权利要求1所述的一种基于通道剪枝的行人重识别方法，其特征在于，所述通过所述教师网络模型对所述监督层的输出特征进行监督，得到监督损失这一步骤，包括：通过所述监督层从所述学生网络模型中提取得到若干第一中间特征；对所述第一中间特征进行解压；将解压后的所述第一中间特征与所述教师网络模型中对应的第二中间特征进行对比，计算得到均方误差，根据所述均方误差得到所述监督损失。5.根据权利要求4所述的一种基于通道剪枝的行...

【专利技术属性】
技术研发人员：陈弟虎，叶培钧，
申请(专利权)人：中山大学，
类型：发明
国别省市：