一种图像特征提取异构模型伪标签交叉生成方法技术

本发明专利技术涉及计算机视觉技术领域，具体为一种图像特征提取异构模型伪标签交叉生成方法，包括以下步骤：伪标签生成；异构模型伪标签交叉训练；有益效果为：在有限的有标签数据的条件下，通过对无标签数据生成伪标签，进一步扩充数据集，提高模型的精度以及鲁棒性；与传统的伪标签生成方法相比，使用两个异构模型同时训练交叉生成伪标签，可以分别提升两个模型的精度和鲁棒性；使用的两个异构模型训练出的特征具有一定的分布差异，因此可以互相增强，分别提升两个模型的精度

【技术实现步骤摘要】
一种图像特征提取异构模型伪标签交叉生成方法


[0001]本专利技术涉及计算机视觉
，具体为一种图像特征提取异构模型伪标签交叉生成方法
。

技术介绍

[0002]伪标签
(Pseudo Label)
通常应用于半监督学习，半监督学习的核心思想是通过利用无标签数据来提升有监督过程中的模型性能
。
之所以称为伪标签，是因为标签可能是真实标签，也可能不是真实标签，并且标签是使用有标签数据训练好的模型，对无标签数据进行预测得到的结果
。
[0003]现有技术中，目标重识别目前主要研究集中在行人重识别以及车辆重识别领域，尤其是行人重识别研究较多，公开的数据集也比较多
。
目标重识别主要用于解决目标的跨相机跟踪，实现场景匹配可以实现嫌疑行人
/
车辆的跨视场跟踪以及轨迹预测等
。
受限于数据集等问题，重识别模型的精度有着较大的提升空间
。

技术实现思路

[0004]本专利技术的目的在于提供一种图像特征提取异构模型伪标签交叉生成方法，以解决上述
技术介绍
中提出的问题
。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种图像特征提取异构模型伪标签交叉生成方法，所述方法包括以下步骤：
[0006]伪标签生成；
[0007]异构模型伪标签交叉训练
。
[0008]优选的，伪标签生成包括：
[0009]获取待处理的有标签数据集
D/>，对数据集图片进行图像翻转
、
遮挡以及随机噪声数据增强操作
。
[0010]优选的，伪标签生成还包括：
[0011]根据获取到的数据增强图片分别使用
ResNet
和
Swin
‑
Transformer
训练重识别模型，得到重识别模型
ResNet
和
Swin
‑
Transformer。
[0012]优选的，伪标签生成还包括：
[0013]根据获取到的重识别模型
ResNet
和
Swin
‑
Transformer
，分别对同一无标签数据集
DO
进行预测，得到两种伪标签结果
DO
R
和
DO
s
。
[0014]优选的，异构模型伪标签交叉训练包括：
[0015]根据得到的伪标签数据，将模型
ResNet
预测的伪标签结果
DO
R
和原始有标签数据集
D
混合得到数据集
DDO
R
。
[0016]优选的，异构模型伪标签交叉训练还包括：
[0017]根据得到的伪标签数据，将模型
Swin
‑
Transformer
预测的伪标签结果
DO
S
和原始有标签数据集
D
混合得到数据集
DDO
s
。
[0018]优选的，异构模型伪标签交叉训练还包括：
[0019]根据得到的数据集
DDO
R
，使用
Swin
‑
Transformer
重新训练重识别模型
S
′
，有效提高模型
S
′
的精度
。
[0020]优选的，异构模型伪标签交叉训练还包括：
[0021]根据得到的数据集
DDO
s
，使用
ResNet
重新训练重识别模型
R
′
，有效提高模型
R
′
的精度
。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]本专利技术提出的图像特征提取异构模型伪标签交叉生成方法，通过已有标签数据分别使用两种异构模型，如
ResNet
和
Swin
‑
Transformer(
不限于
ResNet
和
Swin
‑
Transformer
，可以是任意两种异构模型
)
训练两个异构重识别模型；然后使用两个异构重识别模型分别对无标签数据进行预测，生成伪标签数据；再将两个重识别模型生成的伪标签数据分别给对方模型使用，使用原始有标签数据结合对方模型生成的伪标签数据，分别提升两个模型的训练指标
。
两个异构模型训练出的特征具有一定的分布差异，因此能够互相增强，分别提升模型的精度；在有限的有标签数据的条件下，通过对无标签数据生成伪标签，进一步扩充数据集，提高模型的精度以及鲁棒性；与传统的伪标签生成方法相比，使用两个异构模型同时训练交叉生成伪标签，可以分别提升两个模型的精度和鲁棒性；使用的两个异构模型训练出的特征具有一定的分布差异，因此可以互相增强，分别提升两个模型的精度
。
附图说明
[0024]图1为本专利技术方法流程图
。
具体实施方式
[0025]为了使本专利技术的目的
、
技术方案进行清楚
、
完整地描述，及优点更加清楚明白，以下结合附图对本专利技术实施例进行进一步详细说明
。
应当理解，此处所描述的具体实施例是本专利技术一部分实施例，而不是全部的实施例，仅仅用以解释本专利技术实施例，并不用于限定本专利技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0026]请参阅图1，本专利技术提供一种技术方案：一种图像特征提取异构模型伪标签交叉生成方法，所述伪标签生成方法，包括伪标签生成
100
以及异构模型伪标签交叉训练
200
，具体步骤如下：
[0027]步骤
101
：获取待处理的有标签数据集
D
，对数据集图片进行图像翻转
、
遮挡以及随机噪声等数据增强操作
。
[0028]步骤
102
：根据步骤
101
获取到的数据增强图片使用
ResNet
训练重识别模型，得到重识别模型
R(ResNet)。
[0029]步骤
103
：根据步骤
101
获取到的数据增强图片使用
Swin
‑
Transformer
训练重识别模型，得到重识别模型
S(Swin
‑
Transformer)。
[0030]步骤
104
：根据步骤
102
获取到的重识别模型
R<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像特征提取异构模型伪标签交叉生成方法，其特征在于：所述方法包括以下步骤：伪标签生成；异构模型伪标签交叉训练
。2.
根据权利要求1所述的一种图像特征提取异构模型伪标签交叉生成方法，其特征在于：伪标签生成包括：获取待处理的有标签数据集
D
，对数据集图片进行图像翻转
、
遮挡以及随机噪声数据增强操作
。3.
根据权利要求2所述的一种图像特征提取异构模型伪标签交叉生成方法，其特征在于：伪标签生成还包括：根据获取到的数据增强图片分别使用
ResNet
和
Swin
‑
Transformer
训练重识别模型，得到重识别模型
ResNet
和
Swin
‑
Transformer。4.
根据权利要求3所述的一种图像特征提取异构模型伪标签交叉生成方法，其特征在于：伪标签生成还包括：根据获取到的重识别模型
ResNet
和
Swin
‑
Transformer
，分别对同一无标签数据集
DO
进行预测，得到两种伪标签结果
DO
R
和
DO
S
。5.
根据权利要求4所述的一种图像特征提取异构模型伪标签交叉生成方法，其特征在于：异构模型伪标签交叉训练包括：根据得到的伪标签数据，将模型
R...

【专利技术属性】
技术研发人员：刘琛，李晗，马凤强，安晓博，尹萍，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：