【技术实现步骤摘要】
本专利技术涉及人工智能、机器视觉领域，具体涉及一种无监督车辆再辨识模型训练方法、车辆再辨识方法及装置。
技术介绍
1、无监督车辆再辨识旨在从无身份标签的车辆图像中学习车辆表征，可应用于智慧交通管理、图像视频侦查中的感兴趣车辆检索。因为车辆图像无身份标签，必须通过聚类算法产生伪标签实现车辆再辨识模型训练。因此，伪标签质量直接决定车辆再辨识模型的准确性能。然而，通过聚类算法产生的伪标签受到聚类算法本身的性能、车辆图像质量、特征提取质量等系列因素的制约，伪标签普遍存在噪声，质量难以尽如人意。为提升伪标签质量，现有做法常对伪标签进行静态平滑，即在伪标签进行独热编码的基础上，将独热编码中1改为，且独热编码中0全部改为，表示很小于1但大于0的常数，c为类别数量。这种c维类别数量，实际上就是将独热编码中取0的c-1类均等划分，并未挖掘类别之间潜在的相关性，例如suv与轿车的相似度高于suv与公交车的相似度。
技术实现思路
1、针对上述提到当前无监督车辆再辨识依赖伪标签而聚类产生的伪标签质量不佳的技术问题。本申请的实施例的目的在于提出了一种无监督车辆再辨识模型训练方法、车辆再辨识方法及装置，来解决以上
技术介绍
部分提到的技术问题。
2、第一方面，本专利技术提供了一种无监督车辆再辨识模型训练方法，包括以下步骤：
3、s1，获取无标签车辆图像训练数据，构建基于深度学习的车辆再辨识模型，将无标签车辆图像训练数据中每个车辆图像输入车辆再辨识模型，得到车辆图像特征，车辆再辨识模型包括特
4、s2，对每个车辆图像特征进行多次特征随机增强，得到多组随机增强特征，根据多组随机增强特征计算随机增强后验类别概率；
5、s3，基于随机增强后验类别概率对伪标签进行动态平滑，得到动态平滑伪标签；
6、s4，基于动态平滑伪标签构建损失函数，基于损失函数采用批量梯度下降法对车辆再辨识模型进行训练，更新车辆再辨识模型；
7、s5，重复步骤s1到s4，直到最大重复次数，获得经训练的车辆再辨识模型。
8、作为优选，对车辆图像特征进行聚类，得到无标签车辆图像训练数据中每个车辆图像对应的伪标签，具体包括：
9、1）从车辆图像特征中随机选取c个对象，作为初始的聚类中心，其中，c表示类簇的数量；
10、2）计算每个车辆图像特征到各个聚类中心的距离，如下式所示：
11、；
12、其中，表示车辆图像特征，表示的第i维特征，表示第z个聚类中心，表示的第i维特征，，表示到第z个聚类中心的距离，d表示特征维数；
13、3）将每个车辆图像特征归属于距离最近的聚类中心，形成c个类簇；
14、4）计算每个类簇的均值作为其聚类中心，更新c个聚类中心；
15、5）迭代步骤2-4，直至聚类中心没有明显变化，得到最终的类簇，每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签。
16、作为优选，对每个车辆图像特征进行多次特征随机增强，得到多组随机增强特征，具体包括：
17、随机选择每个车辆图像特征的第i维特征中的部分特征数据，并利用均匀分布对部分特征数据进行随机放缩，得到随机增强特征，公式如下：
18、；
19、其中，表示车辆图像特征的第i维特征，i是特征维数序号，d是特征维数，是的随机增强特征，是随机增强特征g的第i维特征，randmask表示产生随机选择特征维数序号集合的函数，ridx表示其生成的随机选择的特征维数序号集合，该集合通过将从1到d的有序数组打乱后选择前获得，因此ridx的元素个数为，其中表示向下就近取整操作；randscale表示利用均匀分布对所选择的特征数据进行随机放缩的函数，其中，表示在区间上的均匀随机分布，且，表示实数多维空间；
20、重复以上步骤，得到每个车辆图像特征对应的多组随机增强特征。
21、作为优选，根据多组随机增强特征计算随机增强后验类别概率，具体包括：
22、根据随机增强特征计算后验类别概率，公式如下：
23、；
24、其中，表示对车辆图像特征的第k次随机增强特征，表示实数多维空间，d为特征维数，m表示随机增强次数，fc表示全连接层，通过全连接层将输入的随机增强特征投影为c维数据，c表示类簇的数量，随后利用softmax函数层对c维数据进行归一化获得后验类别概率；
25、计算车辆图像特征的第k次随机增强特征与车辆图像特征之间的相似度，公式如下：
26、；
27、其中，表示车辆图像特征，表示车辆图像特征的第k次随机增强特征，d为特征维数，m表示随机增强次数，表示和之间的相似度；
28、根据相似度计算后验类别概率对应的权重系数，公式如下：
29、；
30、其中，是自然常数，为温度参数，；
31、根据后验类别概率及其对应的权重系数计算随机增强后验类别概率，公式如下：
32、；
33、其中，表示随机增强后验类别概率，表示随机增强特征对应的后验类别概率。
34、作为优选，基于随机增强后验类别概率对伪标签进行动态平滑，得到动态平滑伪标签，具体包括：
35、利用随机增强后验类别概率计算赋权能量，公式如下：
36、；
37、其中，表示赋权能量第z维的取值，表示车辆图像特征，表示该车辆图像特征对应的图像属于第z个伪标签，记为；和分别表示随机增强后验类别概率的第z维的取值和第j维的取值，表示车辆图像特征对应的图像不属于第z个伪标签，表示车辆图像特征对应的图像不属于第j个伪标签，z和j表示伪标签序号；
38、根据赋权能量计算得到动态平滑伪标签，公式如下：
39、；
40、其中，表示车辆图像特征所对应的动态平滑伪标签的第z维的取值，表示该车辆图像特征对应的图像属于第z个伪标签，记为；表示远小于1但大于0的常数，它保证当时，对应的动态平滑伪标签的第z维的取值获得最大的峰值地位，而当时，对应的动态平滑伪标签的第z维的取值获得最小峰值，且使得全部所对应的伪标签的取值根据赋权能量划分而非均等划分，实现对伪标签的动态平滑。
41、作为优选，损失函数为基于动态平滑伪标签的交叉熵损失函数，公式如下：
42、；
43、其中，b表示一批次的无标签车辆图像训练数据中车辆图像的总数量，表示第b个车辆图像的动态平滑伪标签的第z维的取值，表示第b个车辆图像特征通过所述全连接层投影为c维数据，随后利用softmax函数层对c维数据进行归一化后获得的后验类别概率，表示的第z维的取值，。
44、第二方面，本专利技术提供了一种无监督车辆再辨识方法，采用如第一方面本文档来自技高网...
【技术保护点】
1.一种无监督车辆再辨识模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，对所述车辆图像特征进行聚类，得到所述无标签车辆图像训练数据中每个车辆图像对应的伪标签，具体包括：
3.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述对每个所述车辆图像特征进行多次特征随机增强，得到多组随机增强特征，具体包括：
4.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述根据多组所述随机增强特征计算随机增强后验类别概率，具体包括：
5.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述基于所述随机增强后验类别概率对所述伪标签进行动态平滑，得到动态平滑伪标签，具体包括：
6.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述损失函数为基于动态平滑伪标签的交叉熵损失函数，公式如下：
7.一种无监督车辆再辨识方法，采用权利要求1-6中任一项所述的无监督车辆再辨识模型训练方法训练得到的经训练的车辆再辨识模型，其特
8.一种无监督车辆再辨识模型训练装置，其特征在于，包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
...【技术特征摘要】
1.一种无监督车辆再辨识模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，对所述车辆图像特征进行聚类，得到所述无标签车辆图像训练数据中每个车辆图像对应的伪标签，具体包括：
3.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述对每个所述车辆图像特征进行多次特征随机增强，得到多组随机增强特征，具体包括：
4.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述根据多组所述随机增强特征计算随机增强后验类别概率，具体包括：
5.根据权利要求1所述的无监督车辆再辨识模型训练方法，其特征在于，所述基...
【专利技术属性】
技术研发人员：赵倩倩，朱建清，曾焕强，许恒，张晓翔，詹思敏，苏嘉骏，蔡灿辉，
申请(专利权)人：华侨大学，
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。