[发明专利]一种用于重识别的超球面特征嵌入方法及系统

权利要求书

1.一种用于重识别的超球面特征嵌入方法，其特征在于，包括以下步骤：

S1、图像预处理阶段：从数据集中读取目标样本图像，对图像进行预处理；

S2、特征提取阶段：将预处理后的图像输入到深度网络模型提取图像的特征映射并结合基于注意力机制的全局池化操作得到特征向量，其中，所述深度网络模型为深度卷积神经网络，所述深度卷积神经网络为移除原始分类层的通用卷积神经网络；

S3、损失计算及训练优化阶段：根据所述特征向量和目标ID标签分别计算三种损失函数，通过三种损失函数计算联合损失函数值，利用联合损失函数值计算深度卷积神经网络参数的梯度对模型进行优化，所述三种函数包括：超球面交叉熵损失函数、基于KL散度的三元组损失函数和超球面中心损失函数；

S4、测试评估阶段：对训练完成的所述深度网络模型进行测试并根据测试结果调整超参数。

2.根据权利要求1所述的方法，其特征在于，所述S1包括：

S11：从数据集中读取图像，调整图像大小；

S12：将图像根据预设的裁剪比例和概率以及擦除比例和概率进行随机翻转，随机裁剪和随机擦除，并对擦除的部分添加上高斯白噪声，之后将图像中每一个通道的全部像素值减去该通道预设的平均值并除以预设的方差进行均值方差归一化，得到预处理后的图像。

3.根据权利要求1所述的方法，其特征在于，所述S2包括：

S21：将经过预处理的图像输入到深度卷积神经网络中，在深度卷积神经网络的最后一个卷积层之后得到图像的特征映射，如公式(1)所示：

T＝a_n(..(a₁(I·W¹)·W²)·Wⁿ) (1)

其中，T是图像I经过深度卷积神经网络计算得到的特征映射，W¹、W²......Wⁿ分别是第1、2......n个卷积层的参数，a₁(·)，a₂(·)......a_n(·)分别是第1，2，......，n个卷积层的激活函数，n为正整数；

S22：通过空间注意力机制和通道注意力机制计算得到特征向量：

(1)空间注意力机制

对输入的特征映射沿通道求和，求和得到的矩阵中的每个元素经由Sigmoid函数计算得到权重矩阵w^s，如下：

其中，T_ijk是特征映射T中位于位置(i，j，k)的元素，i，j，k是索引符号，σ(·)是Sigmoid函数，其计算方法如下：

将所得空间权重矩阵w^s与原始的特征映射T中的每一个通道做对应元素乘法为不同的区域赋予不同的权重如下：

其中，C是特征映射的通道数，H，W分别为特征映射的高度和宽度，是特征映射中第(i，j)位置处对应的空间注意力权重；

(2)通道注意力机制

对通过公式(4)得到的特征映射中的每一个通道中所有元素求平均值得到原始的特征向量f，如下：

通过公式(5)得到的特征向量f计算通道注意力权重：

首先，特征经过1×1卷积层特征维数由C压缩为C/t，之后经过批量归一化BatchNorm和ReLU激活函数层，最后将压缩后的特征向量再经过另一个1×1卷积层将维度恢复为C，并经过批量归一化和Sigmoid激活后得到通道注意力机制的权重矩阵，其中，t是预设的通道缩减指数，t＞1；

将所得通道权重矩阵w^C与原始的特征向量f做对应元素乘法为不同的通道赋予不同的权重如下：

其中，是通道i的通道注意力权重，f_i第i个样本的特征向量；

基于注意力机制的全局池化操作的整体计算过程如下：

是通道k的通道注意力权重，是特征映射中第(i，j)位置处对应的空间注意力权重。