【技术实现步骤摘要】
本专利技术涉及模式识别，特别涉及一种基于特征聚合和连通性的目标重识别方法和装置。
技术介绍
1、随着深度神经网络的发展，计算机视觉领域对目标重识别(object reid)的研究兴趣和对智能视频监控的需求显著增加。目标重识别object reid的目标是在不同的摄像头下捕捉具有相同身份的物体。它通常在图像或视频中搜索指定的对象(即probe)。我们需要在数据集(即gallery set)中找到与对象匹配的图像，并确定其身份。该对象可能在不同时间出现在相同的位置或不同的位置。目标重识别object reid对于智能系统、监控摄像头和公共安全都是至关重要的。
2、基于全局特征表示学习的方法是早期的首选方法，通过捕捉细粒度线索提取对象的全局特征向量表示；基于局部特征表示学习的方法旨在学习局部或区域的聚合特征，常用的方法有：多通道聚合、双线性池和多尺度上下文感知卷积；基于辅助特征表示学习的方法往往需要额外的辅助信息，如语义信息、数据扩充；由于受cnn模型接受域的影响，基于注意力机制的方法嵌入到深度卷积神经网络cnn中，以提升网络的性能。近年来，采用深度卷积神经网络(cnn)作为主干已成为目标重识别的最佳选择，因为其有着强大的特征提取能力和平移不变性。
3、总的来说，对象识别的研究主要集中在行人重识别和车辆重识别两个领域，它的挑战来自不同的低图像分辨率、遮挡、光照变化、复杂的相机环境、不同的视点等。此外，对高效检索速度和不可预见场景的需求也使得目标重识别object reid成为难题。早期的工作大多使用手工制作的特
4、最近，transformer技术受到了广泛的关注。由于cnn不利于提取多个区分部分，汇聚层会降低空间分辨率，导致识别能力下降。he等人提出了一个基于transformer的框架，将图像分成一系列的小块，然后重新分配顺序以生成稳定的特征，为object reid提供一个强大的基线。然而，现有的目标重识别方法普遍存在硬样本问题、数据集的不平衡问题以及正、负样本的比例不平衡问题。
技术实现思路
1、本专利技术提供一种基于特征聚合和连通性的目标重识别方法和装置，以解决现有的目标重识别方法普遍存在的硬样本问题、数据集的不平衡问题以及正、负样本的比例不平衡问题。所述技术方案如下：
2、第一方面，本专利技术提供了一种基于特征聚合和连通性的目标重识别方法，包括：
3、在训练集上对主干网络进行训练，提取探测集和画廊集的特征；
4、构建特征聚合图卷积网络fa-gcn，特征聚合图卷积网络fa-gcn包括l层gcn和线性层，各层的计算公式为：
5、zl+1＝σ(g(a,zl)wl)
6、其中，表示第l层的节点特征，din表示各层输入特征的维度；n表示特征的数量；σ(·)表示relu激活函数；g(·,·)表示平均聚合运算；表示一个可学习的权重矩阵，其中dout表示每层输出特征的维度，d′in表示输入特征维度的两倍；a＝d-1(a+i)表示归一化的邻接矩阵，其中d-1∈rn×n表示对角度矩阵；i表示单位矩阵；a∈rn×n表示图的邻接矩阵，a中的每个元素都可以表示为：
7、
8、其中，fi表示第i幅图像的特征，fj表示第j幅图像的特征。sim(·,·)表示余弦相似度；
9、通过随机画廊采样器(rpgs)提取特征聚合图卷积网络fa-gcn的节点特征，构建评估连通性图卷积网络ec-gcn，评估连通性图卷积网络ec-gcn包括l′层gcn和二进制分类器，各层的计算公式为：
10、z(p)l′+1＝σ(bn(g(a(p),z(p)l′)wl′))
11、其中，p表示多类交集区域的硬样本probe；bn表示批正则化层；z(p)l′表示第l′层节点特征矩阵；wl′表示第l′层一个可学习权重矩阵；a(p)＝d-1(a(p)+i)表示归一化的邻接矩阵；a(p)∈rkmax×kmax表示图的邻接矩阵；kmax表示a(p)的维度；a(p)∈rkmax×kmax中的每个值定义为：
12、
13、其中，i和j表示节点集；e(p)∈r|v|×|v|表示边集，其中|v|表示节点总数；vi，vj表示节点；
14、通过特征聚合图卷积网络fa-gcn来获取每个节点的聚合特征作为新特征，通过评估连通性图卷积网络ec-gcn评估连通性，获得特征距离矩阵为：
15、d*(p,gi)＝d(p,gi)+λdg(p,gi)
16、其中，p表示probe；d(·,·)表示马氏距离计算函数，dg(·,·)表示ec-gcn预测的距离矩阵，λ表示超参数；d*(·，·)表示最终的距离矩阵，gi表示画廊集中的任意一个目标。
17、可选的，所述特征聚合图卷积网络fa-gcn最后一层采用线性层预测节点分类，线性层表示为：
18、ccls＝zlwl+1+b
19、其中，ccls∈rn×c表示分类的概率，c表示类别总数，wl+1表示可学参数矩阵，b表示偏移；zl表示最后一层。
20、可选的，所述评估连通性图卷积网络ec-gcn最后二层分类输出为p＝[pp,pn]，其中pp表示连接概率，pn表示不连接概率，pp+pn＝1，focal损失定义为：
21、
22、其中，α表示平衡正、负样本的超参数，通常为0.25；ν表示硬样本挖掘超参数。
23、第二方面，本专利技术提供了一种基于特征聚合和连通性的目标重识别装置包括：
24、提取模块，用于在训练集上对主干网络进行训练，提取探测集和画廊集的特征；
25、特征聚合图卷积网络fa-gcn构建模块，用于构建特征聚合图卷积网络fa-gcn，特征聚合图卷积网络fa-gcn包括l层gcn和线性层，本文档来自技高网...
【技术保护点】
1.一种基于特征聚合和连通性的目标重识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标重识别方法，其特征在于，所述特征聚合图卷积网络FA-GCN最后一层采用线性层预测节点分类，线性层表示为：
3.根据权利要求1或2所述的目标重识别方法，其特征在于，所述评估连通性图卷积网络EC-GCN最后二层分类输出为P＝[pp,pn]，其中pp表示连接概率，pn表示不连接概率，pp+pn＝1，Focal损失定义为：
4.一种基于特征聚合和连通性的目标重识别装置，其特征在于，所述目标重识别装置包括：
5.根据权利要求4所述的目标重识别装置，其特征在于，所述特征聚合图卷积网络FA-GCN构建模块构建的特征聚合图卷积网络FA-GCN最后一层采用线性层预测节点分类，线性层表示为：
6.根据权利要求4或5所述的目标重识别装置，其特征在于，所述评估连通性图卷积网络EC-GCN构建模块构建的评估连通性图卷积网络EC-GCN最后二层分类输出为P＝[pp,pn]，其中pp表示连接概率，pn表示不连接概率，pp+pn＝1，Focal损失定义
...【技术特征摘要】
1.一种基于特征聚合和连通性的目标重识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标重识别方法，其特征在于，所述特征聚合图卷积网络fa-gcn最后一层采用线性层预测节点分类，线性层表示为：
3.根据权利要求1或2所述的目标重识别方法，其特征在于，所述评估连通性图卷积网络ec-gcn最后二层分类输出为p＝[pp,pn]，其中pp表示连接概率，pn表示不连接概率，pp+pn＝1，focal损失定义为：
4.一种基于特征聚合和连通性的目标重识别装置...
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。