申请/专利权人：中国矿业大学

申请日：2021-04-14

公开（公告）日：2024-04-12

公开（公告）号：CN113095229B

主分类号：G06V40/10

分类号：G06V40/10;G06V20/40;G06V10/74;G06V10/764;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.04.02#著录事项变更;2024.04.02#专利申请权的转移;2021.07.27#实质审查的生效;2021.07.09#公开

摘要：本发明涉及一种无监督域自适应行人重识别系统及方法，属于行人重识别技术领域，解决了现有无监督域自适应行人重识别难度大、识别准确率低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，获得行人重识别网络模型的分类损失函数和样本不变性损失函数，根据源域样本子集中每一行人图片与目标域样本子集中每一行人图片的相似度对目标域样本子集中的行人图片进行排序、分层以获得分层损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，利用优化好的行人重识别网络模型进行行人重识别，获得与待识别行人图像相同或相似的图像。该系统能够减少网络的迁移损失，提高行人重识别的精度。

主权项：1.一种无监督域自适应行人重识别系统，其特征在于，包括：数据获取模块，用于获取包括多个源域样本子集的源域样本集和包括多个目标域样本子集的目标域样本集；网络模型训练模块，用于获得行人重识别网络模型的分类损失函数和样本不变性损失函数，以及根据所述源域样本子集中每一行人图片与目标域样本子集中每一行人图片的相似度对目标域样本子集中的行人图片进行排序、分层，基于分层后的行人图片特征以及对应的层别权重获得分层损失函数；基于所述分类损失函数、样本不变性损失函数以及分层损失函数遍历每一源域样本子集和目标域样本子集对所述行人重识别网络模型进行迭代优化；所述行人重识别网络模型包括残差网络结构、与分类损失函数相对应的依次连接的全连接层和Softmax归一化层、与样本不变性损失函数对应的依次连接的目标域存储器、L2标准化层，以及与分层损失函数对应的依次连接的源域存储器和相似度衡量轴网络结构，所述残差网络结构分别与所述全连接层、目标域存储器、源域存储器以及相似度衡量轴网络结构连接；所述网络模型训练模块具体通过下述方式获得分层损失函数：将源域样本子集和目标域样本子集分别输入行人重识别网络模型的残差网络结构中提取图像特征，以获取源域样本子集中每一行人图片的特征和目标域样本子集中每一行人图片的特征，并分别进行存储，将源域样本子集中每一行人图片的特征与目标域样本子集中每一行人图片的特征相乘获得对应的相似度；基于所述相似度将目标域样本子集中的行人图片进行降序排序，并按顺序依次选取第一预设数量的图片作为第一层图片，选取第二预设数量的图片作为第二层图片，其余图片作为第三层图片，并分别设置三层图片的层别权重；基于目标域样本子集中每一行人图片的特征以及其所属层别对应的层别权重获得分层损失函数： 其中，LSL表示分层损失函数，nt表示目标域样本子集中行人图片的数量，wt,r表示层别权重，r表示目标域样本子集中按照相似度排序的行人图片的排序序号，xt,i表示目标域样本子集输入行人重识别网络模型时输入顺序为i的行人图片，fxt,i表示行人图片xt,i的特征，pm|xt,i表示行人图片xt,i与存储的所有源域样本子集中所有类别的行人图片的相似概率，R1[m]表示存储的所有源域样本子集中所有类别的行人图片的特征，R1[j]表示存储的所有源域样本子集中第j类行人图片的特征，Ns表示存储的所有源域样本子集中行人图片的类别数，β为温度系数；设置的所述三层图片的层别权重为： 其中，b表示第一层图片的数量，k1表示第一层图片和第二层图片的数量之和，pl|i表示行人图片xt,i属于存储的所有目标域样本子集中第l类行人图片的概率，R1[l]表示存储的所有目标域样本子集中第l类行人图片的特征，Nt表示存储的所有目标域样本子集中行人图片的类别数；重识别模块，用于利用优化好的行人重识别网络模型对待识别行人图像进行识别，获得与所述待识别行人图像相同或相似的图像。

全文数据：

权利要求：

百度查询： 中国矿业大学 一种无监督域自适应行人重识别系统及方法

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