【技术实现步骤摘要】
一种基于样本间上下文指导网络的车辆重识别方法
[0001]本专利技术涉及车辆识别
，具体地涉及一种基于样本间上下文指导网络的车辆重识别方法。
技术介绍
[0002]车辆重识别旨在从图像库中检索出由非重叠摄像头拍摄的同一车辆的图像。该技术在智能交通、无人驾驶汽车和城市安全监控等领域有着巨大的应用前景。随着深度神经网络的兴起，一些基于卷积神经网络（Convolutional Neural Network，CNN）的车辆重识别方法陆续被提出并显著地提升了该任务的性能。但属于同一厂家和车型的不同车辆在整体外观上看起来可能非常相似，这种类间差异较小的问题使得车辆重识别仍然是一个非常具有挑战性的任务。从车辆的局部区域中提取细微的鉴别性信息对于区分外观相似的车辆至关重要。
[0003]自注意力机制通过用跨元素的成对自亲和性捕获样本内自身的上下文，能够有效地抑制背景的干扰并突出目标主体的语义信息。自注意力的工作原理是根据元素间的成对自亲和性聚合单个样本中所有元素的特征，来细化每个元素的表示。它可以聚集语义相关的特征，从而让网络...
【技术保护点】
【技术特征摘要】
1.一种基于样本间上下文指导网络的车辆重识别方法，其特征在于，包括：步骤1、将车辆图像作为输入，将ResNet50网络的res_conv4_1块之前的残差层作为样本间上下文指导网络的骨干网络，在res_conv4_1块之后，ResNet50的后续部分被划分为三个独立的分支：Part
‑
1、Global_Spatial、Global_Channel，来提取多样化的特征；步骤2、在Global_Spatial、Global_Channel分支的res_conv5层之后分别追加一个带有注意力监督约束的样本间上下文指导的空间注意力模块、样本间上下文指导的通道注意力模块，从空间维度和通道维度学习与车辆身份相关的鉴别性的主体语义信息和鉴别性的细粒度信息，从而实现车辆重识别。2.根据权利要求1所述的基于样本间上下文指导网络的车辆重识别方法，其特征在于，所述Part
‑
1分支的res_conv5层输出的特征图沿水平方向刚性地划分为两部分，每个分支均采用全局平均池化操作和降维操作来学习紧凑的特征表示。3.根据权利要求2所述的基于样本间上下文指导网络的车辆重识别方法，其特征在于，所述全局平均池化操作将Part
‑
1分支的两个局部特征图和Global_Spatial分支、Global_Channel分支的最终输出的特征图压缩为2048维的特征向量；降维操作将2048维的特征向量降维到256维；网络训练阶段，在每个256维特征向量上应用一个三元组损失，并使用全连接层把特征向量的维数转换为车辆的数目用于计算交叉熵损失；在网络的测试阶段，三个分支输出的四个256维的特征向量被连接起来作为最终的特征嵌入。4.根据权利要求1所述的基于样本间上下文指导网络的车辆重识别方法，其特征在于，所述样本间上下文指导的空间注意力模块，结构为：设样本的特征图为空间模块的输入张量，其中、、分别表示张量的高度、宽度和通道数；为了细化局部特征的表示，将张量沿空间维度划分为多个规则的非重叠窗口，每个窗口的维度为，窗口的总数为，其中，，和分别代表窗口的高度和宽度；在每个窗口内独立实施自注意力计算来捕获局部空间上下文；对于第个窗口，首先通过三个参数不共享的1
×
1卷积层对进行线性变换并变形为位置查询矩阵，位置键矩阵，位置值矩阵，这三个矩阵中的第行、 、分别是窗口中位置的查询向量、键向量和值向量；位置和之间的亲和性计算为：，其中，表示向量的内积，度量了窗口的特征图中位置和的特征表示之间的相似性；表示所有位置间的成对亲和性的矩阵通过将矩阵和的转置相乘，并对结果执行操作来得到：
，其中，表示矩阵乘法，的每一行中的元素之和为1；然后，用位置间的亲和性加权求和所有位置的特征来精细化位置的特征表示，位置处的精细化过程表示为： ，其中，；窗口中所有位置的细化定义为：；引入一个大小为的空间方面的样本间上下文存储器，一个样本与存储器的交互的公式如下：，其中，，矩阵的第行表示窗口的特征图中的第个位置与样本间的上下文信息的亲和性；将矩阵的形状压缩为，并使用一个函数来得到样本间上下文指导的窗口空间注意力图，公式如下：，其中，表示沿通道方向的平均池化；矩阵中的值反应了相应位置对辨别样本的身份的重要性；在得到每个窗口的空间注意力图后，将它们的形状都重塑为；然后合并所有的窗口空间注意力图，并实施跨窗口交互操作得到样...
【专利技术属性】
技术研发人员：李曦，庞希愚，郑美凤，周厚仁，孙珂，田佳琛，周晓颖，王成，
申请(专利权)人：山东交通学院，
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。