[发明专利]一种基于深度多模型协同的半监督行人重识别方法

说明书

本发明公开了一种基于深度多模型协同的半监督行人重识别方法，包括步骤：1)采用部分有标签的训练数据样本微调多个ImageNet上预训练过的深度神经网络，将这些模型作为初始模型；2)利用这些初始模型对没有标签的训练样本提取特征，接着提出一个自适应权重多视图聚类的方法对无标签训练样本产生伪标签，有标签的训练样本和带有伪标签的训练样本组合成整体的训练数据，采用这些训练数据微调训练多个结构相异构的深度神经网络；3)交替的迭代伪标签产生和深度网络训练直到伪标签不在改变。

技术领域

本发明属于图像特征表示和半监督学习领域，具体涉及一种基于深度多模型协同的半监督行人重识别方法。

背景技术

随着社会经济的不断发展与计算机视觉技术的不断进步，智能安防、智慧城市建设不断被推进，智能化处理不同场景的视频数据成为了计算机视觉领域广泛关注的难题。行人再识别是实现智能安防与智慧城市战略的一项关键技术，给定一个场景中的一幅或者多幅行人的图像，行人再识别技术要求能够在其他不相邻的场景中找到与该图像匹配的行人的所有图像。在不同的场景中，光照条件的不同、行人姿态的变化、图像背景的变动、成像质量的差异通常会导致同一行人类内的变化大于不同行人类间的变化，这给行人再识别任务带来了严峻的挑战。

近年来，受益于深度卷积神经网络的强大性能，行人重识别技术在大规模数据集上达到了优秀的识别准确度。但是大多数方法都是在全监督学习的基础上提出的。由于需要大量人工标记的训练数据，监督学习在实际环境和工业场景中的价值本质是有限的。随着智能安防，智慧城市的需求日益迫切，在实际场景中对已有方法进行实现和应用成为了广泛关注的问题。而现实情境下，在所有应用环境(比如大型购物中心、城市社区街道)中都进行大量数据标记是十分困难的，可以想象标注人员通过观看一组参数不同的相机在不同时间和不同地点拍摄到的视频记录并搜索定位同一个行人有多困难。因此，实际场景中行人重识别首先需要面对的问题就是标记数据的严重缺乏。为了克服全监督学习方法对大规模数据的严重依赖，已经出现了一些半监督或无监督学习方法。半监督行人重识别方法通过结合少量标记数据和大量未标记数据，最大化利用监督信息并充分挖掘无监督信息，实现行人检索的目标。

发明内容

本发明的目的在于针对上述现有技术的不足，提供了一种基于深度多模型协同的半监督行人重识别方法。

本发明采用如下技术方案来实现的：

一种基于深度多模型协同的半监督行人重识别方法，包括以下步骤：

1)采用部分有标签的训练数据样本微调多个ImageNet上预训练过的深度神经网络，将这些模型作为初始模型；

2)利用这些初始模型对没有标签的训练样本提取特征，接着提出一个自适应权重多视图聚类的方法对无标签训练样本产生伪标签，有标签的训练样本和带有伪标签的训练样本组合成整体的训练数据，采用这些训练数据微调训练多个结构相异构的深度神经网络；

3)交替的迭代伪标签产生和深度网络训练直到伪标签不在改变。

本发明进一步的改进在于，步骤1)的具体实现方法如下：

101)首先训练多个结构不同的神经网络作为多个视图下的特征提取器；

102)利用提出的自适应权重多视图聚类方法对多个异构神经网络的特征进行聚类，得到无标签数据的伪标签；

103)利用有标注数据和带有伪标签的无标注数据微调多个异构神经网络，多个深度网络的更新和伪标签的更新交替进行。

本发明进一步的改进在于，步骤2)的具体实现方法如下：

201)采用部分带有标签的数据训练多个异构神经网络作为初始参数；