【技术实现步骤摘要】
本专利技术涉及图像处理，具体地，涉及一种用于无监督行人重识别的伪标签细化方法及装置。
技术介绍
1、行人重识别(reid)任务旨在训练一个能够跨多个摄像头检索感兴趣的行人图像的模型。由于其在视频监控系统中的广泛应用，这一任务受到越来越多的关注。尽管监督方法取得了令人瞩目的性能，但它们需要对监控数据进行大量跨摄像头标注，这既费时又昂贵，最终在实际场景中的应用受到限制。
2、因此无监督学习逐渐走入大众的视野，纯无监督学习(usl)行人重识别任务能够不使用任何标记数据进行预训练。纯无监督学习方法的训练方案通常在以下两个步骤之间交替进行：1)生成伪标签：通过一些基于聚类的方法为训练样本生成伪标签。2)以监督方式优化深度神经网络：使用一些度量学习目标对这些伪标签进行优化。尽管这些基于伪标签的方法取得了显著的性能，但纯无监督学习方法与监督学习方法之间仍存在较大的性能差距。其原因在于生成的伪标签不可避免地包含一部分噪声。使用带有噪声标签的深度模型会显著降低这些无监督方法的性能，导致性能下降。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种用于无监督行人重识别的伪标签细化方法及装置。
2、根据本专利技术实施例的第一方面，提供一种用于无监督行人重识别的伪标签细化方法，所述方法包括：
3、利用预先建立的识别网络提取行人重识别数据集中的图像样本对应的图像特征；
4、根据所述图像特征进行聚类，得到多个特征簇；
5、通过集
6、获取所述图像特征对应的第一识别结果；其中，所述第一识别结果根据所述图像样本在邻域范围内的邻域样本得到；
7、根据所述第一识别结果对所述初始伪标签进行细化，得到精细伪标签。
8、可选地，所述图像特征包括全局特征和局部特征；所述利用预先建立的识别网络提取行人重识别数据集中的图像样本对应的图像特征，包括：
9、利用预先建立的所述识别网络中的特征提取器提取所述图像样本的全局特征图；
10、对所述全局特征图进行池化处理，得到所述全局特征；
11、将所述全局特征图均匀划分为多个局部特征图，并对每个所述局部特征图进行池化处理，得到多个所述局部特征。
12、可选地，所述根据所述第一识别结果对所述初始伪标签进行细化，得到精细伪标签，包括：
13、根据获取所述邻域样本对应的第一识别结果；其中，所述第一识别结果包括所述邻域样本的邻域全局特征对应的第二识别结果和所述邻域样本的邻域局部特征对应的第三识别结果；
14、根据所述第二识别结果和第三识别结果对所述第一识别结果进行集成，得到集成识别结果；
15、根据所述集成识别结果和所述初始伪标签得到所述精细伪标签。
16、可选地，所述方法还包括：
17、根据所述精细伪标签和第四识别结果得到第一损失函数；其中，所述第四识别结果为将各个所述图像特征输入预先建立的所述识别网络得到的识别结果；
18、根据所述图像特征和所述图像特征对应的特征簇的聚类中心得到第二损失函数；
19、根据所述第一损失函数和所述第二损失函数对预先建立的所述识别网络进行参数调整，以训练预先建立的所述识别网络。
20、可选地，所述第一识别结果根据以下公式得到：
21、
22、其中，表示将邻域样本j输入预先建立的所述识别网络后得到的全局识别结果，表示将邻域样本j输入预先建立的所述识别网络后得到的局部识别结果。g表征全局图像特征，p*表示局部图像特征，n表示根据均匀划分的全局特征图得到的局部特征图的数量。表示图像样本i与其对应的邻域样本j之间的相似度权重。n(fig,vg)表示对于全局特征fig在邻域范围vg中选取的邻域全局特征，表示对于局部特征在邻域范围ρp中选取的邻域局部特征，同理。表示第二识别结果，表示第三识别结果。
23、可选地，所述集成识别结果根据以下公式得到：
24、
25、其中，表示所述集成识别结果，是根据和之间的kl散度得到的贡献得分，是根据和之间的kl散度得到的贡献得分，是根据和之间的kl散度得到的贡献得分，是根据和之间的kl散度得到的贡献得分，是根据和之间的kl散度得到的贡献得分，是根据和之间的kl散度得到的贡献得分。
26、可选地，所述精细伪标签根据以下公式得到：
27、
28、其中，和表示所述精细伪标签，αp为超参数，yi为所述初始伪标签。
29、可选地，所述第一损失函数根据以下公式得到：
30、
31、其中，和表示第一损失函数，nc为所述特征簇的数量，k为每个所述特征簇中图像特征的数量，表示第i个样本的全局特征的精细伪标签属于第k个特征簇的概率，表示预先建立的所述识别网络得到的第i个样本的全局特征的识别结果属于第k个特征簇的概率，和同理。
32、可选地，所述第二损失函数根据以下公式得到：
33、
34、其中，和表示第二损失函数，τ用于控制输出锋利程度，表示在全局特征图中第i个样本对应的特征簇的聚类中心，表示在全局特征图中第k个特征簇的聚类中心，和同理。
35、根据本专利技术实施例的第二方面，提供一种用于无监督行人重识别的伪标签细化装置，所述装置包括：
36、提取模块，用于利用预先建立的识别网络提取行人重识别数据集中的图像样本对应的图像特征；
37、聚类模块，用于根据所述图像特征进行聚类，得到多个特征簇；
38、伪标签获取模块，用于通过集群分配，得到所述特征簇中图像特征对应的初始伪标签；
39、识别模块，用于获取所述图像特征对应的第一识别结果；其中，所述第一识别结果根述图像样本在邻域范围内的邻域样本得到；
40、细化模块，用于根据所述第一识别结果对所述初始伪标签进行细化，得到精细伪标签。
41、本专利技术的实施例提供的技术方案可以包括以下有益效果：
42、在上述技术方案中，利用预先建立的识别网络提取行人重识别数据集中的图像样本对应的图像特征；根据图像特征进行聚类，得到多个特征簇；通过集群分配，得到特征簇中图像特征对应的初始伪标签；获取图像特征对应的第一识别结果；其中，第一识别结果根据图像样本在邻域范围内的邻域样本得到；根据第一识别结果对初始伪标签进行细化，得到精细伪标签。通过上述技术方案，结合聚类方法得到每个图像特征对应的初始伪标签，并利用图像样本的邻域样本对初始伪标签进行细化，减少了一些不可靠的标签信息，最终提高了精细伪标签的质量，并且可以无缝集成到现有的基于聚类的无监督方法中。
43、本专利技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种用于无监督行人重识别的伪标签细化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述图像特征包括全局特征和局部特征；所述利用预先建立的识别网络提取行人重识别数据集中的图像样本对应的图像特征，包括：
3.根据权利要求2所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述根据所述第一识别结果对所述初始伪标签进行细化，得到精细伪标签，包括：
4.根据权利要求3所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述方法还包括：
5.根据权利要求3所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述第一识别结果根据以下公式得到：
6.根据权利要求5所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述集成识别结果根据以下公式得到：
7.根据权利要求6所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述精细伪标签根据以下公式得到：
8.根据权利要求7所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所
9.根据权利要求8所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述第二损失函数根据以下公式得到：
10.一种用于无监督行人重识别的伪标签细化装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种用于无监督行人重识别的伪标签细化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述图像特征包括全局特征和局部特征；所述利用预先建立的识别网络提取行人重识别数据集中的图像样本对应的图像特征，包括：
3.根据权利要求2所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述根据所述第一识别结果对所述初始伪标签进行细化，得到精细伪标签，包括：
4.根据权利要求3所述的用于无监督行人重识别的伪标签细化方法，其特征在于，所述方法还包括：
5.根据权利要求3所述的用于无监督行人重识别的伪标签细化方法，其...
【专利技术属性】
技术研发人员：程德，台海春，王楠楠，李洁，高新波，
申请(专利权)人：西安电子科技大学，
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。