基于深度学习的无监督行人重识别技术研究的任务书.docx

基于深度学习的无监督行人重识别技术研究的任务书
任务书
一、任务背景
随着城市化进程不断加快，城市中人口数量的增长和出行需求的增加，越来越多的场合需要对行人进行有效的监控和识别，比如安防监控、公共安全等领域。传统的行人识别技术采用的是有监督学习方法，需要大量标注的训练集来进行模型训练。然而，在实际应用中，训练集的获取和标注工作会成为制约模型精度的瓶颈，同时有监督学习在应对大规模、复杂场景中的行人识别问题上具有一定局限性。
针对以上问题，本任务计划研究无监督学习方法应用于行人重识别任务中，采用深度学习的方法来实现行人特征的提取和匹配。通过提取行人在不同场景下的可比较特征，实现行人的重识别，为行人跨越不同场景的跨域行人重识别打下基础。
二、任务目标
本任务的主要目标是研究基于深度学习的无监督行人重识别技术，具体包括：
1.设计有效的行人特征提取方法，可以提取具有可比性的行人特征，支持跨域行人重识别。
2.针对无标注的行人数据，采用自适应的聚类算法，实现对不同行人的区分。
3.采用Siamese网络、Triplet网络等深度神经网络模型，实现行人重识别任务的匹配。
4.在行人重识别大规模数据集上进行实验验证，并对比传统监督学习方法的效果。
三、技术路线
1.行人特征提取
通过网络模型的特征提取层，对行人图像进行特征提取，可采用深度卷积神经网络（CNN）等方法，将行人图像映射到高维特征空间中，并且保证不同场景下行人图像的可比性。
2.行人聚类
采用自适应的聚类算法，对无标注的行人数据进行聚类，将不同的行人分配到不同的类别中。具体可以采用K-means算法，或层次聚类算法等。
3.行人重识别
针对不同场景下的行人图像，通过Siamese网络或Triplet网络，将特征进行比对，并计算出相似度，实现行人重识别任务。
四、预期成果
1.完成基于深度学习的无监督行人重识别技术研究，达到一定的精度和实用性。
2.提出一种有效的行人特征提取方法，能够支持跨域行人重识别，并在实验中进行评估。
3.成功应用深度聚类算法，对无标注的行人数据进行聚类，并对比了不同算法的效果。
4.完成一定规模的行人重识别数据集的构建，并在该数据集上进行了行人重识别的实验。
5.发表相关领域的高质量论文，并在国际会议或期刊上发表论文。
五、参考文献
[1]ZhangT,XuC,ZhangM,etal.UnsuperviseddeepvideohashingviabidirectionalLSTMnetworks[J].Neurocomputing,2019,338:307-316.
[2]ZhouN,WuQ,WangB,etal.Deeplearningonheterogeneousfeaturesforscene-levelgeo-tagging[J].Neurocomputing,2020,417:339-348.
[3]WuX,LuoP,TianY,etal.Deeplearningforunsupervisedfeaturelearningonaudioconditionedimagegeneration[J].Neurocomputing,2021,424:225-235.
[4]YiD,LeiZ,LiaoS,etal.Deepmetriclearningforpersonre-identification[J].PatternRecognition,2014,48(10):3024-3038.
[5]ChenY,ZhuangY,WangJ,etal.Harmoniousattentionnetworkforpersonre-identification[J].arXivpreprintarXiv:1808.08750,2018.