一种适用于领域泛化的行人重识别方法技术

本发明专利技术公开了一种适用于领域泛化的行人重识别方法，属于计算机视觉、机器学习技术领域。本发明专利技术通过组合IN层和BN层的分布信息构建了领域归一化模块DN，并利用该领域归一化模块DN替换深度学习网络模型中深层网络结构的归一化模块BN，构建强基线模型；此外，还利用所有源域的分布信息构建了隐性分布空间，通过将源域和目标域的分布都投影至隐性分布空间实现分布对齐；同时还设计了反归一化模块AN，将每个源域视为其他源域的“模拟目标域”，让目标域在利用IN操作去除风格信息以及身份鉴别性信息的基础上，利用源域的分布信息作为反归一化参数，约束目标域投影至隐性分布空间，从而进一步提升模型在目标域的识别精度。一步提升模型在目标域的识别精度。一步提升模型在目标域的识别精度。

【技术实现步骤摘要】
一种适用于领域泛化的行人重识别方法


[0001]本专利技术属于计算机视觉、机器学习等
，特别涉及基于深度学习的无监督的领域泛化行人重识别方法。

技术介绍

[0002]行人重识别是计算机视觉中一个重要且具有挑战性的研究问题，它通过将摄像机在不同时间和不同物理位置捕获的特定行人进行关联，从而快速准确的获取不同视角下的行人，为后续的高层应用，如行人追踪、行人属性识别、行人行为分析等奠定了基础。目前，行人重识别技术已经在智能视频监控、智慧城市交通、智能相册、智慧零售等多个领域显现出其较大的发展前景和经济效益。
[0003]根据是否使用行人身份标签信息，基于深度学习方法的行人重识别可以大致分为有监督和无监督的行人重识别。目前，利用行人的身份标签信息进行有监督学习的行人重识别方法已经达到了非常高的性能。然而，由于身份标签信息的获取费时费力且涉及个人隐私问题，无监督的行人重识别方法得到了更加广泛的关注。这些方法通常利用聚类算法或者相似性度量方法，获得输入图像的伪标签，然后再采用有监督的方式训练模型。
[0004]尽管无监督的行人重识别方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于领域泛化的行人重识别方法，其特征在于，包括以下步骤：S1.建立强基线模型；S2.采用至少两个源域对强基线模型进行训练，得到训练好的强基线模型；S3.将待识别的目标域图像输入到训练好的强基线模型中，完成重识别任务；具体地，步骤S1中，所述强基线模型，以深度学习网络模型为主干网络，将深度学习网络模型中深层网络结构的归一化模块替换为领域归一化模块DN，构成强基线模型；所述领域归一化模块DN的计算公式为：其中，表示对于输入的特征图x经过第i个DN之后的特征图结果，a1、a2分别表示两个可学习参数，用于自适应地学习平衡IN层与BN层的功能；γ和β分别表示可学习的缩放参数和平移参数；∈是常数，防止分母为0；分别表示第i个源域IN层中的均值、方差，分别表示第i个源域BN层中的均值、方差，其计算方式为：分别表示第i个源域BN层中的均值、方差，其计算方式为：其中，n∈{1,2,3,
…
,N}，h∈{1,2,3,
…
,H}，w∈{1,2,3,
…
,W}，N、C、H和W分别表示输入特征图x∈R
N
×
C
×
H
×
W
的批量样本总数、通道数、高度和宽度。2.如权利要求1所述的一种适用于领域泛化的行人重识别方法，其特征在于，在强基线模型的基础上，添加与深层网络结构并行且结构相同的第二深层网络结构，并将其中的领域归一化模块DN替换为反归一化模块AN...

【专利技术属性】
技术研发人员：周雪，丁金，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：