一种基于双聚类协作学习的跨域行人重识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113743314A(43)申请公布日2021.12.03(21)申请号202111041143.3(22)申请日2021.09.07(71)申请人东北林业大学地址150040黑龙江省哈尔滨市香坊区和兴路26号(72)发明人郭继峰庞志奇李明戚铭(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于双聚类协作学习的跨域行人重识别方法(57)摘要本发明涉及一种基于双聚类协作学习的跨域行人重识别方法。包括如下步骤：1：利用风格迁移模型实现源域和目标域之间的迁移，之后两个特征提取模型Net1和Net2分别在源域和源域生成图像集上进行监督学习；2：利用Net1和Net2对目标域和目标域生成图像集进行特征提取，之后利用DBSCAN方法对特征进行聚类；3：核对聚类结果，选取高置信度的结果分别优化Net1和Net2。本发明设计的双聚类方法通过核对两个域上的聚类结果，为模型优化选取了具有高置信度的样本对，最终提升了模型在目标域上的识别性能。CN113743314ACN113743314A权利要求书1/2页1.一种基于双聚类协作学习的跨域行人重识别方法，其特征在于：包括如下步骤：步骤1：利用风格迁移模型实现源域和目标域之间的迁移，之后两个特征提取模型Net1和Net2分别在源域和源域生成图像集上进行监督学习。步骤2：利用Net1和Net2对目标域和目标域生成图像集进行特征提取，之后利用DBSCAN方法对特征进行聚类；步骤3：核对聚类结果，选取高置信度的结果分别优化Net1和Net2。2.根据权利要求1所述的基于双聚类协作学习的跨域行人重识别方法，其特征在于：步骤1具体包括以下步骤：步骤1.1：利用风格迁移模型将源域数据{Xs,Ys}迁移到目标域，生成图像集其中生成图像的标签与源域图像相同：其中G1表示该风格迁移处理过程。步骤1.2：利用风格迁移模型将目标域数据{Xt}迁移到源域，生成图像集其中生成图像不带标签：其中G2表示该风格迁移处理过程。步骤1.3：特征提取模型Net1在{Xs,Ys}上进行监督学习，将此部分视为行人身份分类问题，使用交叉熵损失对Net1进行优化：其中n为训练批次的大小，是该批次中第i个样本，为其标签。是由身份分类组件对属于的预测概率。特征提取模型Net2在{Xg,Ys}上进行监督学习，同样将此部分视为行人身份分类问题，使用交叉熵损失对Net2进行优化：其中n为训练批次的大小，是该批次中第i个样本，为其标签。是由身份分类组件对属于的预测概率。3.根据权利要求1所述的基于双聚类协作学习的跨域行人重识别方法，其特征在于：步骤2具体包括以下步骤：步骤2.1：使用Net1对中的样本进行特征提取；使用Net2对{Xt}中的样本进行特g征提取，得到特征集Vt和Vt。g步骤2.2：利用DBSCAN方法对特征集Vt和Vt进行聚类，得到在两个域上分别得到聚类结果。4.根据权利要求1所述的基于双聚类协作学习的跨域行人重识别方法，其特征在于：步2CN113743314A权利要求书2/2页骤3具体包括以下步骤：步骤3.1：在和{Xt}中选取相同聚类结果：例如，当为{Xt}中的正样本对，且和经过风格迁移后是上的正样本对时，认为具有较高置信度，将其作为Net2的有效样本对；否则认为置信度较低，将其丢弃。步骤3.2：基于困难三元组损失和得到的高置信度样本对对模型进行优化。其中困难三元组损失定义为：其中dist(·,·)为用于测量两个特征距离的函数。对于聚类结果，首先选定P个不同的簇，之后从每个簇中选择K个样本，组成P×K的样本组合。之后对于每个最小化其与最困难的正样本的距离，最大化其与最困难的负样本的距离。3CN113743314A说明书1/5页一种基于双聚类协作学习的跨域行人重识别方法技术领域：[0001]本发明涉及行人重识别领域，尤其涉及一种基于双聚类协作学习的跨域行人重识别方法。背景技术：[0002]行人重识别(ReID)的目的是检索不同场景下具有指定身份的行人图像。目前，在单一领域中的行人重识别任务已取得了激动人心的性能。但是这一理想的性能主要依赖一个假设：训练数据和测试数据来自同一领域，且存在大量的标记数据用于训练。然而，这一假设在现实中往往不能成立，因为我们不能为每个新场景标注大量的数据。由于域间差距的影响，当被应用于没有标记数据的新场景时，模型的性能会急剧下降。[0003]为了在不增加标注成本的前提下提升模型在新场景中的识别性能，跨域行人重识别逐渐受到关注。跨域ReID通常基于标记的源域和未标记的目标域对模型进行优化，目的是提升模型在目标域的测试集上的性能。目前跨域的行人重识