[发明专利]基于对抗攻击样本和多视图聚类的无监督行人重识别方法

说明书

本发明公开了一种基于对抗样本和多视图聚类的无监督行人重识别方法，该方法提出联合训练多个神经网络，随后的得到不同网络的特征来用于伪标签估计。本发明提出的整个框架专注于解决两个问题：第一个是怎么样让不同的深度神经网络学习到多样和互补的特征表达，第二个是怎么更好地估计无标签数据的伪标签。1)对于第一个问题，的方法将对抗攻击样本引入深度网络训练并且提出了一个对抗损失去约束不同的深度网络学习不同的参数。2)对于第二个方法，提出了一种可以联合多个不同神经网络特征的多视图聚类方法。本发明可以对大量的无标签数据提供伪标签，从而协助深度神经网络可以利用大量的无标签数据进行训练。

技术领域

本发明属于计算机视觉图像处理技术领域，具体涉及一种基于对抗攻击样本和多视图聚类的无监督行人重识别方法。

背景技术

行人重识别在计算机视觉领域是一个具有挑战性的任务，该任务目标是要识别出不同摄像头下的同一个人。之前的大多数方法利用人工设计的特征来计算图像之间的相似度。随着深度卷积网络的发展，目前深度卷积特征取得了最好的效果。然而，大多数的卷积神经网络基于监督学习。监督学习通常需要大量的有标注样本。在现实情况中，获取样本标签需要花费大量的时间和人力，因此，研究者们提出了一系列的半监督和无监督学习方法。

为了能更好的训练卷积神经网络，一些无监督方法为无标签数据估计伪标签，随后用于神经网络的训练。大多数的无监督方法利用单个的神经网络提取特征，随后估计无标签样本的伪标签。然而，单个神经网络学习到的特征较为单一，得到伪标签的精度较低。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于对抗攻击样本和多视图聚类的无监督行人重识别方法。为了能得到更为精确的伪标签，利用对抗样本约束不同的深度网络学习互补特征，并且采用多视图聚类方法对多个不同的深度网络特征进行聚类，从而得到无标签数据的伪标签。

本发明采用如下技术方案来实现的：

基于对抗攻击样本和多视图聚类的无监督行人重识别方法，包括以下步骤：

1)互补的图像特征提取：首先，对于不同结构的神经网络模型，根据当前训练的参数值生成对抗攻击样本，接着，利用提出的对抗损失约束不同的神经网络学习不同的参数；

2)伪标签的生成：对于无标签数据，首先利用步骤1)训练的模型对其提取特征，不同的卷积神经网络特征代表不同视图的特征，随后，采用提出的多视图聚类算法对多视图特征进行聚类得到伪标签；

3)利用步骤2)得到的伪标签微调多个异构神经网络：卷积神经网络和伪标签交替迭代优化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)引入对抗攻击样本并且提出一种新的正则损失来约束多个神经网络学习不同以及互补的特征

102)基于步骤101)学习到的互补特征，提出了一种可以联合多个不同神经网络特征的多视图聚类方法，根据聚类，得到无标签样本的伪标签；

103)基于步骤102)得到的伪标签，采用无标签数据和其伪标签的组合微调多个神经网络，聚类和神经网络训练的训练交替进行，直到伪标签不再改变，得到最终的网络参数。

本发明进一步的改进在于，步骤2)的具体实现方法如下：

201)给定一个已有的能够额外利用的有标签的数据集，首先根据当前模型生成给定数据的对抗攻击样本，再根据对抗样本，对抗正则，以及cross-entropy和triplet损失训练多个深度神经网络；

202)根据步骤201)得到的模型对无标签数据集提取特征，随后利用提出的多视图聚类对多个网络的特征聚类，得到无标签数据的伪标签；