[发明专利]基于弱监督学习的行人属性识别方法、系统及装置

权利要求书

1.一种基于弱监督学习的行人属性识别方法，其特征在于，包括:

获取目标行人图像，采用深度卷积神经网络提取目标行人不同层次的视觉特征；

将目标行人不同层次的视觉特征通过弱监督学习的方法在隐含属性空间学习隐含属性，同时获得隐含特征对应的空间约束，得到对应的隐含属性空间位置图；

根据目标行人不同层次的视觉特征和对应的隐含属性空间位置图，对目标行人的局部特征提取，得到目标行人不同层次的局部特征；

根据目标行人不同层次的局部特征，通过自注意力的方法对行人属性间关系进行建模，利用全连接层作为分类器，得到不同层次下对目标行人属性的预测值；

根据不同层次下对目标行人属性的预测值，通过对每个属性投票得到最大值的方法得到最终目标行人属性识别结果；

所述将目标行人不同层次的视觉特征通过弱监督学习的方法在隐含属性空间学习隐含属性，同时获得隐含特征对应的空间约束，包括：

将目标行人不同层次的视觉特征通过卷积网络得到特征Z，经过空间正则化获得隐含属性特征图a，空间正则化按以下计算公式进行：

其中a_c,h,w为隐含属性特征图在(c,h,w)处的值，z_c,h,w为特征Z在(c,h,w)处的值；

将目标行人通过另一路卷积网络和Sigmoid激活函数得到对隐含属性存在的推断图s,与隐含属性特征图a联合起来得到隐含属性空间位置图L，按如下公式计算：

L＝a·s

其中a是隐含属性特征图，s是隐含属性推断图，当隐含属性不存在时，隐含属性推断图中的值趋近于0。

2.根据权利要求1所述的基于弱监督学习的行人属性识别方法，其特征在于，所述采用深度卷积神经网络提取目标行人不同层次的视觉特征，包括：

将目标行人图像通过Inception-V3网络，得到提取目标行人不同层次的视觉特征zⁱ。

3.根据权利要求1所述的基于弱监督学习的行人属性识别方法，其特征在于，所述根据目标行人不同层次的视觉特征和对应的隐含属性空间位置图，对目标行人的局部特征提取，包括：

将所述隐含属性空间位置图L和目标行人不同层次的视觉特征结合起来，得到目标行人经过空间约束后的局部特征(f_n)_init，按如下公式计算：

(f_n)_init＝Σ_h，wL_n·F

其中(f_n)_init是提取到目标行人经过空间约束后的局部特征，共有N个局部特征，即目标行人不同层次的局部特征；L_n是第n层的隐含属性空间位置图，F是目标行人视觉特征。