一种基于自激励判别性特征学习的行人重识别方法.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CN110163117A(43)申请公布日2019.08.23(21)申请号201910348620.7(22)申请日2019.04.28(71)申请人浙江大学地址310013浙江省杭州市西湖区余杭塘路866号(72)发明人魏振勇魏龙蔡登金仲明余正旭黄建强华先胜何晓飞(74)专利代理机构杭州天勤知识产权代理有限公司33224代理人胡红娟(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于自激励判别性特征学习的行人重识别方法(57)摘要本发明公开了一种基于自激励判别性特征学习的行人重识别方法，包括：(1)选取一个行人重识别网络，在该原始网络上添加一个负分支；(2)在训练阶段，原始网络产生分类损失函数，原始网络和负分支之间产生对抗损失函数和互斥响应项，一起构成目标函数，并利用随机梯度下降方法对整个网络进行优化；(3)在测试阶段，移除负分支，只保留原始网络在分类器之前的部分，作为训练好的网络模型，并输入行人图片进行抽取特征向量测试；(4)在行人检索阶段，利用训练好的网络模型抽取图片库中每张图片的特征向量，选择与待查询行人图片的特征向量相似度最高的图片的身份作为最终识别结果。利用本发明，可以提升现有行人重识别网络的效果。CN110163117ACN110163117A权利要求书1/2页1.一种基于自激励判别性特征学习的行人重识别方法，其特征在于，包括以下步骤：(1)选取一个已有的行人重识别网络，在该原始网络上添加一个用于负面特征提取的负分支；(2)在训练阶段，原始网络产生分类损失函数，原始网络和负分支之间产生对抗损失函数和互斥响应项，将分类损失函数、对抗损失函数和互斥响应项一起构成目标函数，并利用随机梯度下降方法对整个网络进行优化，直到目标函数收敛；(3)在测试阶段，移除负分支，只保留原始网络在分类器之前的部分，作为训练好的网络模型，并输入行人图片进行抽取特征向量测试；(4)在行人检索阶段，利用训练好的网络模型抽取行人图片库中每张图片的特征向量，对于将待查询行人图片，对待查询行人图片的特征向量和图片库中每张图片特征向量进行相似度排序，选择排序最靠前的图片的身份作为最终识别结果。2.根据权利要求1所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，步骤(1)中，所述的负分支从原始网络的其中一个底层卷积模块之后引出，结尾连接和原始网络一样的全连降维层和分类层。3.根据权利要求1所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，步骤(2)中，原始网络产生的分类损失函数为预测分布po和真实标签y之间的交叉熵损失，计算公式为：Lid＝LCE(y,po)其中，LCE表示交叉熵。4.根据权利要求1所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，步骤(2)中，原始网络和负分支之间产生对抗损失函数的过程为：(2-1)利用原始网络的预测分布po和真实标签y来构造负分支的预测分布pn的残差其中，1-y表示将向量y中每个位置的分量yi改为1-yi，而°表示两个向量之间对应位置相乘得到的向量，表示线性变换，将向量的分量之和归一化为1；(2-2)利用构造得到的pn的残差来构造它和pn之间的函数，记为：其中，Ladv为对抗损失函数。5.根据权利要求1所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，步骤(2)中，所述互斥响应项公式为：其中，Fo和Fn分别表示原始网络和负分支对应位置的卷积模块输出的特征图，<·,·>表示张量之间的内积，‖·‖2表示Frobenius范数。6.根据权利要求5所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，对于不能保证卷积模块输出非负的网络结构，在计算R之前先在特征图上应用ReLU激活函数，ReLU(·)＝max(·,0)，保证输出的特征值的非负性。7.根据权利要求1所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，2CN110163117A权利要求书2/2页步骤(2)中，所述目标函数的公式为：L(x,y)＝Lid+α1Ladv+α2R其中，Lid为原始网络产生分类损失函数，Ladv为原始网络和负分支之间产生对抗损失函数，R为互斥响应项，α1和α2分别为两个超参数，用来平衡不同损失之间的权重。8.根据权利要求1所述的基于自激励判别性特征学习的行人重识别方法，其特征在于，步骤(4)中，所述的相似度排序具体为：将待查询行人图片的特征向量和图片库中每张图片的特征向量之间的欧氏距离，依据欧式距离进行排序。3CN110163117A说明书1/8页一种基于自激励判别性特征学习的行人重识别方