申请/专利权人：长沙理工大学

申请日：2020-09-08

公开（公告）日：2024-03-22

公开（公告）号：CN112070010B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.12.29#实质审查的生效;2020.12.11#公开

摘要：本发明公开了一种联合多损失动态训练策略增强局部特征学习的行人重识别方法，行人的局部特征不断被证明是一种在行人重识别任务中表现良好的特征，在一定程度上提高重识别的准确度，在提取到全局特征图之后，沿垂直方向将特征图均匀分成六块，但均匀分块的方式过于简单，导致局部特征的不对齐问题。在行人识别中，行人携带的物品也是一类有帮助的特征，但现有技术并没有考虑到这点，主要关注点还是在行人人体特征上，为了学习到行人携带物的特征，采用了自注意力机制来使网络关注这一部分特征，最后与全局特征相结合增强特征表示；为了无缝联合交叉熵损失函数和三元组损失函数，我们使用动态训练这两个损失函数的方案来优化深度学习模型参数。

主权项：1.一种联合多损失动态训练策略增强局部特征学习的行人重识别方法，其特征在于：该联合多损失动态训练策略增强局部特征学习的行人重识别方法具体步骤如下：步骤1：特征图均匀分块，行人的局部特征不断被证明是一种在行人重识别任务中表现良好的特征，在一定程度上提高重识别的准确度，在提取到全局特征图之后，沿垂直方向将特征图均匀分成六块，获取多个图像块的局部特征，但均匀分块的方式过于简单，导致局部特征的不对齐问题，引入异常值，通过计算这些异常值与每个图像块之间的相似性对它们进行重新划分，解决不对齐问题，然后通过池化和降维来提取图像块的特征；步骤2：学习潜在特征，通过在全局特征图上应用自注意力机制来完成非人体部分的潜在特征学习，获取行人携带物的局部特征，根据每个像素与所有其他像素间的语义相似性，自动捕获一些粗糙的潜在部分，也就是行人携带物这类非人体的部分；步骤3：多损失动态训练，采用两个损失函数，分别是三元组损失函数和交叉熵损失函数，将步骤1得到的六个局部特征分别输入到由全连接层和softmax函数构成的分类器中进行交叉熵损失训练，将步骤1和步骤2得到的所有局部特征和全局特征进行连接增强行人表示，然后进行三元组损失训练，两个损失函数直接结合在一定程度上会产生冲突，使用身份平衡难分样本抽样策略动态训练这两种损失函数来使得损失最小化；所述动态训练，包括：对于每一项损失，定义一个性能度量来估计损失减少的可能性，设定为当前迭代τ的平均损失，t∈{id,tp}，id为当前交叉熵损失，tp为当前三元组损失，得到移动平均值 其中α∈[0,1]是折现因子，基于上述公式定义了一个损失不会下降的可能性的概率： 当上式结果为1时，表示这次迭代不会带来损失的下降，但保证了损失也不会上升，基于对损失进行加权： γ是控制聚焦强度参数，最终的总损失函数定义如下： 在每一次迭代中计算和的值并比较和δ的大小，如果前者更小则说明交叉熵损失在当前迭代中更重要，使用随机采样和交叉熵损失；反之三元组更重要，使用身份平衡难样本抽样和两个损失函数的加权组合。

全文数据：

权利要求：

百度查询： 长沙理工大学 一种联合多损失动态训练策略增强局部特征学习的行人重识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD