申请/专利权人：北京工业大学

申请日：2020-03-26

公开（公告）日：2024-04-02

公开（公告）号：CN111428650B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/764;G06V10/82;G06N3/0464;G06N3/045;G06N3/0475;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.08.11#实质审查的生效;2020.07.17#公开

摘要：本发明提出了一种基于SP‑PGGAN风格迁移的行人重识别方法。该方法包括：基于CycleGAN构建SP‑PGGAN模型；将有标注的行人重识别数据集的训练集和无标注的行人重识别数据集的训练集同时输入到SP‑PGGAN模型进行训练，即有标注的行人重识别数据集的训练集通过生成器G得到迁移后的有标注的行人重识别数据集的训练集；利用行人重识别模型IDE对迁移后的有标注的行人重识别数据集的训练集进行分类网络的训练，得到训练好的IDE模型；将无标注的行人重识别数据集的测试集输入到训练好的IDE模型中，实现无标注数据集的行人重识别。由于本发明设计的SP‑PGGAN迁移模型在风格迁移的过程中更加准确，所以可以很大程度地提升无标注数据集的行人重识别效果。

主权项：1.一种基于SP-PGGAN风格迁移的行人重识别方法，其特征在于通过以下三步骤实现：步骤1SP-PGGAN模型的构建该模型用于有标注的行人重识别数据集和无标注的行人重识别数据集之间的风格迁移，其模型结构是在CycleGAN基础上进行的改进，CycleGAN是两个镜像对称的GAN，构成了一个环形网络，两个GAN共享生成器G和生成器F，生成器G和生成器F各自带一个局部判别器，分别为DX和DY，SP-PGGAN是在CycleGAN的基础上，保留了CycleGAN的生成器，并且在生成器生成后加入了孪生网络来指导生成器的生成过程，同时，将CycleGAN的局部判别器DX和DY替换成了并行的局部判别器和全局判别器；步骤2SP-PGGAN模型的风格迁移将有标注的行人重识别数据集的训练集和无标注的行人重识别数据集的训练集同时输入到构建好的SP-PGGAN模型中进行风格迁移，得到的迁移后的有标注的行人重识别数据集的训练集；在迁移的过程中保持两种相似性：一是如果来自于有标注数据集的图像，风格迁移到无标注的数据集之后，迁移之后的图像的风格要和无标注数据集的风格一致；二是图像迁移前后需要保持有标注数据集的图像中行人的ID信息不变；所述ID信息是指除了背景以外的和ID信息有潜在关系的图像行人区域，即行人的标注信息；步骤3行人重识别的实现利用行人重识别的IDE模型对SP-PGGAN风格迁移后得到的有标注数据集的训练集进行分类网络的训练，得到训练好的IDE模型，在无标注的数据集的测试集上实现了行人重识别；步骤2具体为：在迁移的过程中，对于正方向而言，其生成过程为，来自于有标注数据集的训练集图片x通过生成器G生成一张图片Gx，图片Gx通过生成器F生成图片FGx，然后将图片x和Gx、图片Gx和无标注数据集训练集的图片y分别输入到孪生网络，孪生网络用于提高风格迁移过程中有标注数据中的行人ID信息的准确性；其判别过程为，将图片Gx和无标注数据集训练集的图片y同时输入到全局判别器DT1和局部判别器DT2中进行判别器的训练，其中全局判别器是对整体图片的真假进行判别，局部判别器是对图片的局部真假进行判别；对于反方向而言，其生成过程为，来自于无标注数据集训练集的图片y通过生成器F生成一张图片Fy，图片Fy通过生成器G生成图片GFy，然后将图片y和Fy、图片Fy和有标注数据集训练集的图片x分别输入到孪生网络；其判别过程为，将图片Fy和有标注数据集训练集的图片x同时输入到全局判别器DS1和局部判别器DS2中进行判别器的训练；在训练过程中，先保持判别器不变，训练生成过程的参数，然后固定生成器，训练判别器的参数，重复上述过程，让生成器和判别器分别逐渐进化。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于SP-PGGAN风格迁移的行人重识别方法

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