[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

说明书

本发明属于计算机视觉、模式识别领域，具体涉及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、系统、装置，旨在解决现有的目标重识别方法由于聚类中心个数不固定，限制特征表达的判别力，导致识别结果鲁棒性较差的问题。本系统方法包括：获取待识别的图像，作为输入图像；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。本发明提高了跨域目标重识别的鲁棒性。

技术领域

本发明属于计算机视觉、模式识别领域，具体涉及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、系统、装置。

背景技术

目标重识别属于图像检索领域的子问题。给定一个目标的图像，通常为行人图像或车辆图像，目标重识别任务旨在找到其他场景下的该目标图像。近年来，车辆重识别和行人重识别已经成为计算机视觉领域的研究的重点，并且很多基于深度学习的方法已经取得了良好的成果。然而，这些基于深度学习的方法大多需要大量有标注的训练数据，而且由于领域差异的存在，在一个数据集上面训练的模型用另一个数据集测试，性能会大幅下降。由于在大型目标数据集上标注大量的样本十分费时费力，所以使用领域自适应方法就成为了一个更经济的选择。

无监督领域自适应的目标是将从一个完全标注的数据域(源域)中学习到的判别信息迁移到另一个无标注的数据域(目标域)上。常规的无监督领域自适应方法将样本映射到一个领域无关且保留判别力的特征表达上，从而将在源域上学习到的判别信息迁移到目标域上。很多方法从不同角度限制特征表达的领域无关性，例如基于统计量或者基于对抗学习的方法。前人认为在目标重识别任务中，源域和目标域的身份信息完全不同，也就是标签没有任何重叠，因此上面提到的方法无法应用到重识别任务中。但是本发明认为，使用这些领域无关的方法并不一定需要严格要求源域和目标域的标签空间完全一致。

现有的跨域目标重识别方法主要集中于利用对抗学习进行从源域到目标域的图像翻译，然后使用翻译之后的图像训练重识别模型，例如Image-Image Domain Adaptationwith Preserved Self-Similarity and Domain-Dissimilarity for Person Re-Identification和Person Transfer GAN to Bridge Domain Gap for Person Re-Identification这两篇文章分别从不同的角度改进经典的图像翻译算法CycleGAN。此外，Self-similarity Grouping:A Simple Unsupervised Cross Domain AdaptationApproach for Person Re-identification一文使用在源域上预训练的模型提取目标域样本的特征，然后使用聚类生成伪标签用来训练重识别模型。然而，在该方法中，聚类中心的个数是变化的，这导致其无法使用其他需要类别数固定的目标函数，例如交叉熵损失和中心损失。

发明内容

为了解决现有技术中的上述问题，即为了解决现有的目标重识别方法由于聚类中心个数不固定、限制特征表达的判别力，导致识别结果鲁棒性较差的问题，本发明第一方面，提出了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，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；