[发明专利]基于特征对抗学习和自相似性聚类的跨域目标重识别方法

权利要求书

1.一种基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，该方法包括：

步骤S100，获取待识别的图像，作为输入图像；

步骤S200，对所述输入图像，通过预训练的特征提取网络提取其特征，作为第一特征；计算所述第一特征与图像库中各图像对应特征的欧式距离并进行排序，将排序结果进行输出；

所述特征提取网络其训练方法为：

步骤A100，获取第一数据集、第二数据集；并基于所述第一数据集对特征提取网络进行预训练；所述第一数据集为源域训练数据集，其包括训练样本及其对应的真实标签；所述第二数据集为目标域训练数据集；

步骤A200，对所述第二数据集中各训练样本，通过预训练的特征提取网络提取其特征，并通过自相似性聚类获取其对应的伪标签；

步骤A300，通过预设的伪标签对齐算法对各伪标签进行对齐，将对齐后的标签作为第一标签；并分别计算所述第二数据集中各训练样本提取的特征与其对应的第一标签的损失，作为第一损失；

步骤A400，通过预构建的领域判别网络计算第一数据集、第二数据集中各训练样本提取的特征分布之间的Wasserstein距离，并基于该距离构建对抗损失，作为第二损失；计算第一数据集中各训练样本提取的特征与其对应的真实标签的损失，作为第三损失；所述领域判别网络基于卷积神经网络构建；

步骤A500，基于所述第一损失、所述第二损失、所述第三损失对所述特征提取网络进行参数更新；

步骤A600，循环步骤A200-步骤A500，直至得到训练好的特征提取网络。

2.根据权利要求1所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述特征提取网络其在利用源域训练数据集进行训练时，其对应损失函数为：

其中，表示特征提取网络对应的损失值，表示源域训练数据集中的各训练样本，表示源域训练数据集中的各训练样本对应的真实标签，表示源域训练数据集中训练样本的数量，表示源域训练数据集，表示交叉熵损失，表示三元组损失，表示中心损失，、表示各损失函数对应的权值。

3.根据权利要求2所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述自相似性聚类为K均值聚类算法。

4.根据权利要求1所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述伪标签对齐算法，其方法为：

步骤B10，将第K-1次聚类的各簇与第K次聚类具有相同伪标签数量最多的簇建立对应关系；其中，K为正整数；

步骤B20，对各对应关系，若其为多对一的关系，则保留第K-1次聚类中相同伪标签数量最多的簇的对应关系，将其他的对应关系删除；

步骤B30，对第K-1次聚类删除对应关系的簇，将其与第K次聚类具有相同伪标签数量最多且没有对应关系的簇建立对应关系，并跳转步骤B20，直至第K-1次聚类各簇与第K次聚类各簇建立一对一的关系。

5.根据权利要求2所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，其特征在于，所述对抗损失其构建方法为：

其中，表示目标域训练数据集中各训练样本，表示梯度惩罚项的平衡权重，表示领域判别网络对应的一个映射函数，它可以将一个输入的d维的特征向量映射为一个实数，表示提取的源域特征，表示提取的目标域特征，表示目标域训练数据集中训练样本的数量，表示目标域训练数据集，表示梯度惩罚项，表示源域特征、目标域特征以及源域特征与目标域特征确定直线上面的随机一点，、分别表示特征提取网络、领域判别网络的学习参数。

6.根据权利要求5所述的基于特征对抗学习和自相似性聚类的跨域目标重识别方法，所述梯度惩罚项其获取方法为：

。