[发明专利]一种基于深度多示例学习的行人重识别方法

权利要求书

1.一种基于深度多示例学习的行人重识别方法，其特征在于，包括：

(1)构建行人重识别模型；

所述行人重识别模型包括特征提取单元、示例挖掘单元、负示例丢弃单元；

所述特征提取单元，用于通过卷积神经网络对原始图像进行特征提取，得到多张不同尺度的特征图；

所述示例挖掘单元，用于通过可学习的方式将每一张特征图划分为多个部分，得到每个部分对应的局部特征描述子，并将所述局部特征描述子作为深度多示例学习中的示例；所述通过可学习的方式将每一张特征图划分为多个部分，得到每个部分对应的局部特征描述子，具体方法为：

(01)将每一个c×w×h的特征图，视为h×w个c维的特征点，对所有特征点进行降维；其中，w为特征图的宽度，h为特征图的高度，c为特征图的通道数；

(02)定义N个D维的类中心向量，计算每个降维后的特征点与每一个类中心的距离，得到h×w×N个距离值；其中D为降维后的特征点维度，N为类中心的数目；

(03)根据计算得到的距离，计算每个特征点属于对应类中心的概率；

(04)对计算得到的概率进行处理，使每一个特征点属于每一个类中心的概率大于设定阈值；

(05)根据经过处理后的概率，通过公式计算得到N个类中心对应的局部特征描述子；

所述负示例丢弃单元，用于对所述示例中的负示例进行丢弃，并利用正示例对每张特征图生成对应的特征向量，得到不同尺度特征图对应的多个特征向量；所述对所述示例中的负示例进行丢弃，具体为：给定一个背景类的数目N_b，将所述示例中前(N-N_b)个串接形成特征向量，其余的丢弃

(2)将原始图片作为所述行人重识别模型的输入，将原始图片内行人对应的身份标签作为所述行人重识别模型输出向量经过分类后的期望输出，对所述行人重识别模型进行训练；

(3)将目标图片和多个待检索图片分别输入训练好的行人重识别模型，将目标图片输出的多个特征向量进行加权串接后作为目标特征向量，将每个待检索图片输出的多个特征向量进行加权串接后作为待检索特征向量，计算目标特征向量与每个待检索特征向量的相似度并进行排序，得到行人重识别结果。

2.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法，其特征在于，所述卷积神经网络中不同卷积层之间跨层连接。

3.根据权利要求1或2所述的一种基于深度多示例学习的行人重识别方法，其特征在于，所述卷积神经网络的降采样率为16倍。

4.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法，其特征在于，多个不同尺度的特征图包括所述卷积神经网络最后一层输出的特征图，以及中间层不同位置输出的特征图。

5.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法，其特征在于，(02)中所述计算每个降维后的特征点与每一个类中心的距离具体为，利用欧式距离或余弦距离计算每个降维后的特征点与每一个类中心的距离。

6.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法，其特征在于，(03)中所述根据计算得到的距离，计算每个特征点属于对应类中心的概率具体为，通过公式计算每个特征点属于对应类中心的概率；其中，P_ij为第i个特征描述子X_i属于第j个类中心C_j的概率，α为常数。

7.根据权利要求1所述的一种基于深度多示例学习的行人重识别方法，其特征在于，(04)中所述对计算得到的概率进行处理，使每一个特征点属于每一个类中心的概率大于设定阈值的方法具体为，通过公式对计算得到的概率进行处理；其中，为经过处理后的概率值，a为常数。