【技术实现步骤摘要】
本专利技术涉及行人重识别领域，尤其涉及基于注意力机制的无监督跨域行人重识别模型的建立方法及相关装置。
技术介绍
1、行人重识别是图像检索的子任务，它可以应用在很多领域，如智能零售业的行人跟踪、寻找走失儿童、城市安防等。近年来，许多新的深度学习方法被提出，导致基于监督学习的行人重识别方法的性能有了显著提高。然而，获取带标签的数据集需要耗费大量的人力与时间，这使得这些方法很难用于实际场景中。因此，无监督方法被广泛应用于行人重识别，其中无监督领域自适应方法取得了最佳效果。
2、以往的无监督领域自适应方法使用骨干网络进行特征提取，对提取后的特征使用聚类算法生成伪标签，然后使用这些伪标签数据进行模型微调，其中迭代执行聚类和微调，直到模型收敛。尽管该方法取得了良好的效果，但网络提取的特征包含大量的背景噪声，无法关注行人的重点特征。同时，聚类生成的伪标签也存在大量的噪声标签，制约了网络的性能。
3、为了解决上述问题，一些方法重点研究如何生成更可靠的行人特征。例如：mmt(mutual mean-teaching)利用网络间的协...
【技术保护点】
1.基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，包括如下过程：
2.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，对每一个目标域训练样本执行数据增强时，将目标域训练样本依次通过随机擦除、裁剪和翻转来进行数据增强。
3.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，聚类时采用K-means聚类算法；
4.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，伪标签净化模块通过下式对输入的聚类结果进行一致性计算：
5.根...
【技术特征摘要】
1.基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，包括如下过程：
2.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，对每一个目标域训练样本执行数据增强时，将目标域训练样本依次通过随机擦除、裁剪和翻转来进行数据增强。
3.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，聚类时采用k-means聚类算法；
4.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，伪标签净化模块通过下式对输入的聚类结果进行一致性计算：
5.根据权利要求1所述的基于注意力机制的无监督跨域行人重识别模型的建立方法，其特征在于，...
【专利技术属性】
技术研发人员：王燕妮，胡忠勉，李凯，郭婉怡，
申请(专利权)人：西安建筑科技大学，
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。