基于车辆属性与局部特征伪标签细化的车辆重识别方法技术

本发明专利技术提出一种基于车辆属性与局部特征伪标签细化的车辆重识别方法，获取无标注的车辆图像数据集，进行预处理；构建无监督的车辆重识别网络模型，提取训练集中车辆图像的三种特征，分别为属性特征、全局特征、局部特征；将提取到的所述三种特征集合聚类生成伪标签，计算三种聚类结果的协同交错分数；根据协同交错分数结果，生成带有伪标签的新数据集；训练所述车辆重识别网络模型并更新，再根据更新后的网络模型参数重新提取训练集中车辆图像的特征；重复执行操作，更新数据集的伪标签，交替训练，得到训练好的车辆重识别网络模型。本发明专利技术基于车辆属性信息和多方向局部特征的标签细化，以自学习的方式有效地处理标签噪声。以自学习的方式有效地处理标签噪声。以自学习的方式有效地处理标签噪声。

【技术实现步骤摘要】
基于车辆属性与局部特征伪标签细化的车辆重识别方法


[0001]本专利技术属于计算机视觉领域,特别涉及到一种基于车辆属性与局部特征伪标签细化的无监督车辆重识别方法。

技术介绍

[0002]车辆重识别是从非重叠摄像机收集的图像库中检索图像。现有的车辆重识别方法，在同一环境下的数据集上训练和测试时取得了显著的性能。然而，由于真实环境下的收集的车辆数据集和训练数据集之间存在较大的差距，直接应用于真实环境下时，训练好的模型可能会出现显著的性能下降。此外，由于深度神经网络的判别能力，监督方法在车辆重识别任务中取得了令人印象深刻的表现。然而在实际应用中，收集的车辆图库数据通常是无标记的或部分标记的。监督方法使用大量的标签数据，这就需要昂贵的注释，限制了监督方法在大规模现实世界的可行性问题上的实用性。
[0003]由于这一问题，从无标签数据中学习识别特征的无监督方法近年来受到了广泛关注。之前关于无监督人员重新识别的工作使用了k
‑
最近邻搜索获得的伪标签或无监督聚类进行训练。这些方法交替使用两个阶段的训练方案：分配伪标签的标签生成阶段和使用生成标签训练模型的训练阶段。在这些方法中，基于聚类的方法尤其证明了它们的有效性和最先进的性能。然而，伪标签中的固有噪声极大地阻碍了这些无监督方法的性能。为了解决伪标签噪声过多这个问题，人们做出了许多努力，通过执行鲁棒聚类或伪标签细化来提高伪标签的准确性。最近有的技术通过使用来自辅助网络的预测作为目标网络的细化标签，以同行教学的方式通过模型集成显著降低了标签噪声。然而，训练多个骨干作为教师网络需要较高的计算成本。此外，这些方法得到的标签只考虑全局特征，而忽略了对车辆重识别至关重要的细粒度线索，导致性能不足。

技术实现思路

[0004]本专利技术的目的在于提出一种基于车辆属性与局部特征伪标签细化的车辆重识别方法，基于车辆属性信息和多方向局部特征的标签细化，以自学习的方式有效地处理标签噪声。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]一种基于车辆属性与局部特征伪标签细化的车辆重识别方法，包括：
[0007]S1、获取无标注的车辆图像数据集，进行预处理，划分为训练集和验证集；
[0008]S2、构建无监督的车辆重识别网络模型，提取训练集中车辆图像的三种特征，分别为属性特征、全局特征、局部特征；
[0009]S3、将提取到的所述三种特征集合聚类生成伪标签，计算三种聚类结果的协同交错分数；根据协同交错分数结果，生成带有伪标签的新数据集；
[0010]S4、使用所述带有伪标签的新数据集训练所述车辆重识别网络模型并更新，再根据更新后的网络模型参数重新提取训练集中车辆图像的特征；
[0011]S5、从步骤S3重复执行操作，更新数据集的伪标签，交替训练，得到训练好的车辆重识别网络模型。
[0012]进一步的，步骤S2中所述车辆重识别网络模型的构建以Vision Transformer为骨干网络。
[0013]进一步的，步骤S2中所述车辆属性特征的提取包括提取车辆颜色和车辆类型的特征。
[0014]进一步的，步骤S2中所述车辆的全局特征的提取包括：经过卷积层划分图像块，而后展平成一维的特征向量，进入Transformer Encoder层提取全局特征。
[0015]更进一步的，步骤S2中所述车辆的局部特征的提取包括：在卷积层划分图像块的基础上进行水平和垂直分割，获取局部特征。
[0016]进一步的，步骤S3中，计算协同交错分数的方法包括：按照如下公式计算得分：
[0017][0018]其中C
i
(g,p
n
,a
n
)表示根据全局特征g、局部特征p
n
、属性特征a
m
的协同交错分数，范围大于等于0且小于等于1；R表示集合；n代表局部特征的序号；m代表属性特征的序号；R
i
(g,k)∪R
i
(p
n
,k)∪R
i
(a
n
,k)表示三个分支获得同一类别车辆图像的全部合集；
[0019]R
i
(g,k)∩R
i
(p
n
,k)∩R
i
(a
n
,k)表示三个分支获得同一类别车辆图像的共同交集；
[0020]k表示查询到图像x
i
所在三个分支的分组内的k个图像，就是每个组内最接近的前k个图像，所述组内最接近用K
‑
近邻算法判断。
[0021]本专利技术另一方面还提出了一种基于车辆属性与局部特征伪标签细化的车辆重识别系统，包括：
[0022]数据集模块：获取无标注的车辆图像数据集，进行预处理，划分为训练集和验证集；
[0023]车辆特征提取模块：构建无监督的车辆重识别网络模型，提取训练集中车辆图像的三种特征，分别为属性特征、全局特征、局部特征；
[0024]聚类模块：将提取到的所述三种特征集合聚类生成伪标签，计算三种聚类结果的协同交错分数；根据协同交错分数结果，生成带有伪标签的新数据集；
[0025]训练模块：使用所述带有伪标签的新数据集训练所述车辆重识别网络模型并更新，再根据更新后的网络模型参数重新提取训练集中车辆图像的特征；
[0026]交替模块：从聚类模块重复执行操作，更新数据集的伪标签，交替训练，得到训练好的车辆重识别网络模型。
[0027]进一步的，车辆特征提取模块中所述车辆重识别网络模型的构建以Vision Transformer为骨干网络。
[0028]进一步的，车辆特征提取模块中所述车辆属性特征的提取包括提取车辆颜色和车辆类型的特征；所述车辆的全局特征的提取包括：经过卷积层划分图像块，而后展平成一维的特征向量，进入Transformer Encoder层提取全局特征；所述车辆的局部特征的提取包括：在卷积层划分图像块的基础上进行水平和垂直分割，获取局部特征。
[0029]进一步的，聚类模块中，计算协同交错分数的方法包括：按照如下公式计算得分：
[0030][0031]其中C
i
(g,p
n
,a
n
)表示根据全局特征g、局部特征p
n
、属性特征a
m
的协同交错分数，范围大于等于0且小于等于1；R表示集合；n代表局部特征的序号；m代表属性特征的序号；R
i
(g,k)∪R
i
(p
n
,k)∪R
i
(a
n
,k)表示三个分支获得同一类别车辆图像的全部合集；
[0032]R
i
(g,k)∩R
i
(p
n
,k)∩R
i
(a
n
,k)表示三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车辆属性与局部特征伪标签细化的车辆重识别方法，其特征在于，包括：S1、获取无标注的车辆图像数据集，进行预处理，划分为训练集和验证集；S2、构建无监督的车辆重识别网络模型，提取训练集中车辆图像的三种特征，分别为属性特征、全局特征、局部特征；S3、将提取到的所述三种特征集合聚类生成伪标签，计算三种聚类结果的协同交错分数；根据协同交错分数结果，生成带有伪标签的新数据集；S4、使用所述带有伪标签的新数据集训练所述车辆重识别网络模型并更新，再根据更新后的网络模型参数重新提取训练集中车辆图像的特征；S5、从步骤S3重复执行操作，更新数据集的伪标签，交替训练，得到训练好的车辆重识别网络模型。2.根据权利要求1所述的基于车辆属性与局部特征伪标签细化的车辆重识别方法，其特征在于，步骤S2中所述车辆重识别网络模型的构建以Vision Transformer为骨干网络。3.根据权利要求1所述的基于车辆属性与局部特征伪标签细化的车辆重识别方法，其特征在于，步骤S2中所述车辆属性特征的提取包括提取车辆颜色和车辆类型的特征。4.根据权利要求1所述的基于车辆属性与局部特征伪标签细化的车辆重识别方法，其特征在于，步骤S2中所述车辆的全局特征的提取包括：经过卷积层划分图像块，而后展平成一维的特征向量，进入Transformer Encoder层提取全局特征。5.根据权利要求4所述的基于车辆属性与局部特征伪标签细化的车辆重识别方法，其特征在于，步骤S2中所述车辆的局部特征的提取包括：在卷积层划分图像块的基础上进行水平和垂直分割，获取局部特征。6.根据权利要求1所述的基于车辆属性与局部特征伪标签细化的车辆重识别方法，其特征在于，步骤S3中，计算协同交错分数的方法包括：按照如下公式计算得分：其中C
i
(g,p
n
,a
n
)表示根据全局特征g、局部特征p
n
、属性特征a
m
的协同交错分数，范围大于等于0且小于等于1；R表示集合；n代表局部特征的序号；m代表属性特征的序号；R
i
(g,k)∪R
i
(p
n
,k)∪R
i
(a
n
,k)表示三个分支获得同一类别车辆图像的全部合集；R
i
(g,k)∩R
i
(p
n
,k)∩R
i
(a
n
,k)表示三个分支获得同一类别车辆图像的共同交集；k表示查询到图像x
i
所在三个分支的分组内的k个图像，就是每个组内最接近的前k个图像，所述...

【专利技术属性】
技术研发人员：王波，王伟，杨巨成，国英龙，李超彦，贾智洋，孙笑，徐振宇，吴超，王嫄，赵青，
申请(专利权)人：思腾合力天津科技有限公司，
类型：发明
国别省市：