一种基于神经架构搜索的车辆再辨识轻量化方法及系统技术方案

本发明专利技术公开了一种基于神经架构搜索的车辆再辨识轻量化方法及系统，涉及计算机视觉与机器学习技术领域，方法包括：S1，构建网络模型，给定硬件约束以生成对应的架构生成器，利用测试集训练架构生成器；S2，将硬件约束输入到架构生成器，得到多个轻量化神经网络架构模型；S3，采集车辆再辨识数据并进行数据增强；S4，利用车辆再辨识数据集对轻量化神经网络架构模型进行训练及验证，选择效果最好的作为轻量化车辆再辨识网络；S5，基于轻量化车辆再辨识网络进行车辆再辨识。本发明专利技术利用神经架构搜索自适应地依据硬件约束进行神经网络的搭建，得到兼具效率与性能的轻量化网络，可以在大规模的神经网络设计中减轻人工设计和调试的负担。担。担。

【技术实现步骤摘要】
一种基于神经架构搜索的车辆再辨识轻量化方法及系统


[0001]本专利技术涉及计算机视觉与机器学习
，具体涉及基于神经架构搜索的车辆再辨识轻量化方法及系统。

技术介绍

[0002]车辆再辨识是指在一个特定范围内的交通监控场景下，判断非重叠区域内拍摄的车辆图像是否属于同一辆车的检索问题。车辆再辨识算法以车辆整体的表象特征实现车辆识别。具体地，车辆再辨识通过将特定的车辆图像作为查询图像，从海量图像数据库中检索出相应的车辆图像，以实现目标车辆的快速搜寻。但是，目前基于深度学习的车辆再辨识算法采用复杂深度网络模型，导致其在推理阶段计算量大，制约了车辆再辨识推理速度，限制了车辆再辨识在实际交通监控系统的推广与应用。
[0003]神经网络架构搜索（NAS）作为自动机器学习（AutoML）的一个重要组成部分，旨在自动的搜索最优神经网络架构，并能产生最先进的神经网络，其效率优于手动设计的神经网络。因此，需要提供一种基于神经网络架构搜索的车辆再辨识轻量化方法，兼顾车辆再辨识准确性和推理速度。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中采用的深度网络模型过于复杂，计算量制约了车辆再辨识推理速度，限制了车辆再辨识在实际交通监控系统的推广与应用。
[0005]本专利技术解决其技术问题所采用的技术方案是：提供一种基于神经架构搜索的车辆再辨识轻量化方法，包括：
[0006]S1，构建基于神经架构搜索的网络模型，所述网络模型根据给定的硬件约束生成对应的架构生成器，利用测试集训练架构生成器，得到训练好的架构生成器；
[0007]S2，将硬件约束输入到训练好的架构生成器，得到多个轻量化神经网络架构模型；
[0008]S3，采集车辆再辨识数据并进行数据增强，得到车辆再辨识数据集；
[0009]S4，利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证，选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络；
[0010]S5，基于轻量化车辆再辨识网络，计算目标车辆图像与候选库中车辆图像的特征相似度，根据相似度大小输出再辨识结果。
[0011]优选的，所述S2中，给定多个硬件约束，输入到训练好的架构生成器，架构生成器通过一次前向传递生成对应多个约束的多个轻量化神经网络架构模型。
[0012]优选的，所述S2中，给定目标硬件约束C，架构生成器生成最佳架构参数，表示为：
[0013][0014]其中，表示架构生成器的最佳权重，表示采用了最佳权重的架构生成器
的目标函数，最小验证损失采用交叉熵损失函数，满足，表示架构参数为的架构生成器生成轻量化神经网络架构模型的计算成本，表示为：
[0015][0016]其中， 表示轻量化神经网络架构模型中第l层第i个块的计算成本，表示块的权重。
[0017]优选的，所述S3的数据增强具体为，对车辆再识别数据中的图片进行水平和垂直翻转，然后进行随机擦除增强，所述随机擦除增强指随机选择图像的矩形区域，并使用随机值擦除其像素。
[0018]优选的，所述S4中，利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练，直至架构生成器G的整体损失函数收敛，架构生成器G的整体损失函数表示为：
[0019][0020]其中，最小验证损失采用交叉熵损失函数， λ是权衡最小验证损失和硬件约束损失的超参数，为硬件约束的损失函数，表示为：
[0021][0022]其中，表示架构参数为的架构生成器生成轻量化神经网络架构模型的计算成本，表示硬件约束。
[0023]优选的，所述S4中，每个轻量化神经网络架构模型中的所有卷积层，均设置通道大小为32，步幅为1；采用Adam优化器迭代更新神经网络权重，批大小为128，以学习率0.001对架构生成器进行50个epoch的训练，动量为(0.5,0.999)，权重衰减为0。
[0024]优选的，所述S5中，目标车辆图像与候选库中车辆图像分别经过轻量化车辆再辨识模型，输出目标车辆特征和候选库车辆特征，计算目标车辆特征与候选库车辆特征的欧氏距离，并将候选库中所有车辆图像的欧氏距离按从小到大进行排序，欧氏距离最小的图片即为相似度最高的车辆图片，输出作为车辆再辨识结果。
[0025]本专利技术还提供一种基于神经架构搜索的车辆再辨识轻量化系统，包括：
[0026]网络模型构建模块，用于构建基于神经架构搜索的网络模型，网络模型根据给定的硬件约束生成对应的架构生成器，利用测试集训练架构生成器，得到训练好的架构生成器；
[0027]神经网络生成模块，用于将硬件约束输入到训练好的架构生成器，得到多个轻量化神经网络架构模型；
[0028]数据采集模块，用于采集车辆再辨识数据并进行数据增强，得到车辆再辨识数据集；
[0029]训练模块，用于利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证，选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络；
[0030]辨识模块，用于基于轻量化车辆再辨识网络，计算目标车辆图像与候选库中车辆图像的特征相似度，根据相似度大小输出再辨识结果。
[0031]本专利技术具有如下有益效果：
[0032]（1）利用神经架构搜索自适应地依据硬件约束进行神经网络的搭建，得到兼具效
率与性能的车辆再辨识轻量化网络，实现最大化利用硬件条件，而无需再人为地进行神经网络的设计搭建，此方法可以在大规模的神经网络设计中减轻人工设计和调试的负担；
[0033]（2）车辆再辨识轻量化网络的网络参数基于车辆再辨识数据集，经过损失函数训练，能够得到更适用于车辆再辨识的网络模型，有效提升车辆再辨识网络的鲁棒性和准确性，因而在实际场景中更具适用性。
[0034]以下结合附图及实施例对本专利技术作进一步详细说明，但本专利技术不局限于实施例。
附图说明
[0035]图1为本专利技术实施例的方法流程图；
[0036]图2为本专利技术实施例的系统结构图。
具体实施方式
[0037]参见图1所示，为本专利技术实施例的方法流程图，包括：
[0038]S1，构建基于神经架构搜索的网络模型，网络模型根据给定的硬件约束生成对应的架构生成器，利用测试集训练架构生成器，得到训练好的架构生成器。
[0039]具体的，S1中网络模型采用神经架构搜索，包含一个称为架构生成器的搜索策略，通过生成子网络来搜索子网络，从而使搜索过程更加高效和灵活。
[0040]S2，将硬件约束输入到训练好的架构生成器，得到多个轻量化神经网络架构模型。
[0041]具体的，S2中，使用经过训练的神经架构生成器，在给定目标硬件约束作为输入的情况下，仅通过一次前向传递就可以为N个约束生成N个良好的体系结构，而无需重新搜索和再训练超网。
[0042]在每次迭代中，给定硬件约束和随机先验，架构生成器可以生成架构参数。有了，相应的成本可以通过等式计算，可以基于带有的预训练超网N来预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经架构搜索的车辆再辨识轻量化方法，其特征在于，包括：S1，构建基于神经架构搜索的网络模型，所述网络模型根据给定的硬件约束生成对应的架构生成器，利用测试集训练架构生成器，得到训练好的架构生成器；S2，将硬件约束输入到训练好的架构生成器，得到多个轻量化神经网络架构模型；S3，采集车辆再辨识数据并进行数据增强，得到车辆再辨识数据集；S4，利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练及验证，选择验证效果最好的轻量化神经网络架构模型作为轻量化车辆再辨识网络；S5，基于轻量化车辆再辨识网络，计算目标车辆图像与候选库中车辆图像的特征相似度，根据相似度大小输出再辨识结果。2.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法，其特征在于，所述S2中，给定多个硬件约束，输入到训练好的架构生成器，架构生成器通过一次前向传递生成对应多个约束的多个轻量化神经网络架构模型。3.根据权利要求2所述的基于神经架构搜索的车辆再辨识轻量化方法，其特征在于，所述S2中，给定目标硬件约束C，架构生成器生成最佳架构参数，表示为：；其中， 表示架构生成器的最佳权重，表示采用了最佳权重的架构生成器的目标函数，最小验证损失采用交叉熵损失函数，满足，表示架构参数为的架构生成器生成轻量化神经网络架构模型的计算成本，表示为：；其中，表示轻量化神经网络架构模型中第l层第i个块的计算成本，表示块的权重。4.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法，其特征在于，所述S3的数据增强具体为，对车辆再识别数据中的图片进行水平和垂直翻转，然后进行随机擦除增强，所述随机擦除增强指随机选择图像的矩形区域，并使用随机值擦除其像素。5.根据权利要求1所述的基于神经架构搜索的车辆再辨识轻量化方法，其特征在于，所述S4中，利用车辆再辨识数据集对多个轻量化神经网络架构模型进行训练，直至架构生成器G...

【专利技术属性】
技术研发人员：曾焕强，郑航杰，朱建清，施一帆，陈婧，沈剑楠，贾宝芝，张选庆，
申请(专利权)人：星宸科技股份有限公司厦门瑞为信息技术有限公司，
类型：发明
国别省市：