[发明专利]基于软多标签的无监督行人重识别方法及装置

权利要求书

1.一种基于软多标签的无监督行人重识别方法，其特征在于，所述方法包括：

预训练步骤：首先将辅助参考数据集加入通道和空间注意力机制的残差网络，得到各辅助参考数据特征图；所述辅助参考数据集包括多个有标签辅助参考行人数据；其次根据各辅助参考数据特征图，计算对应的损失函数,所述损失函数包括软多标签损失函数；再次通过优化算法进行优化，直到各辅助参考数据特征向量对应的损失函数最小，得到预训练后的权重文件，将所述预训练后的权重文件作为预训练模型；

目标集训练步骤，基于预训练模型，将同等数量的目标数据和参考数据通过所述通道和空间注意力机制的残差网络，得到各目标数据特征图，所述目标数据集包括多个无标签目标行人数据；

目标集优化步骤，根据各目标数据特征图，计算软多标签和损失函数并使用优化算法进行迭代优化,所述损失函数包括软多标签损失函数，参考代理损失函数以及跨视图标签一致损失函数；

目标集排序步骤，根据损失函数结果对目标行人进行排序，结果大于预设阈值的目标数据作为无监督行人重识别匹配对象，最终计算匹配准确率和精度；

所述损失函数L为：L＝L₁+λ₁L₂+λ₂L₃，其中，λ₁和λ₂分别是跨视图标签一致损失函数L₂和参考代理学习损失函数L₃的超参数，L₁为软多标签损失函数；

所述参考代理学习损失函数跨视图标签一致损失函数的计算方式为：

其中有标签的辅助参考数据集为λ_i＝1,...,N_z是每个参考人z_i对应的标签；z_τ是辅助数据集中带有标签λ_τ的第τ个人，α_λτ是标签为λ_τ的人的特征表达；{a_i}为引入的参考代理；其中表示与第i个代理a_i相关联的挖掘数据，是铰链函数；β为平衡损失大小的参数；

所述优化算法为自适应矩估计优化算法。

2.根据权利要求1所述的方法，其特征在于，假设(x_i,x_j)为无标签目标对，所述软多标签损失函数的计算方式为：

m＝{(i,j)|f(x_i)^Tf(x_j)≥S,L(y_i,y_j)≥T} n＝{(τ,ω)|f(x_τ)^Tf(x_ω)≥S,L(y_τ,y_ω)＜T}

其中，

m为所有正对的集合；n为所有硬负对的集合；S为特征相似度阈值；T为软多标签相似度阈值；L(·,·)为基于L1距离的软多标签一致性；y为软多标签函数；为无标签的目标数据集；F(·)为软多标签要学习的映射函数；为要学习的有区分力深度特征嵌入；为引入的参考代理。

3.根据权利要求2所述的方法，其特征在于，所述跨视图标签一致损失函数的计算方式为：

式中S(y)是数据集X的软多标签分布，S_θ(y)是数据集X中第θ个摄像头视图中的软多标签分布，W(·,·)是两个分布之间的距离，采用简化的2-Wasserstein距离，μ和σ分别代表软多标签的对数的均值和方差向量,μ_θ和σ_θ是第θ摄像机视图中的软多标签的对数的均值和方差向量。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述残差网络的层数是50层。