[发明专利]一种基于混合学习的跨域行人重识别方法

说明书

本发明涉及一种基于混合学习的跨域行人重识别方法。包括如下步骤：1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块；3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。本发明设计了监督学习和无监督学习两种模块、结合了源域和目标域的数据对行人重识别模型进行训练。本发明还设计了动态权重函数动态地结合两种学习方式。

技术领域：

本发明涉及行人重识别领域，尤其涉及一种基于混合学习的跨域行人重识别方法。

背景技术：

行人重识别是一个跨摄像机的图像检索任务，其目的是从数据库中查找具有指定身份的行人图像。尽管在单一图像域的监督学习中，行人重识别的相关研究已取得了令人印象深刻的成就，但在源域上具有高性能的模型，很难被推广到不具备标签信息的目标域中。由于在目标域中再次利用手工对大规模身份群体进行标记是十分昂贵的，故跨域的行人重识别方法受到了越来越多的关注。

跨域的方法中，邻域自适应是主流方法之一。现有的邻域自适应方法大致可以分为两类：特征级别的自适应和图像级别的自适应。前者的目的是对齐两个域之间的特征分布，具体方法包括特征对齐和对抗学习等。后者使用风格迁移模型赋予源图像目标域的风格，例如PTGAN基于CycleGAN对源图像进行风格迁移，从而减小邻域差距；SPGAN在CycleGAN的基础上加入两种无监督相似性，使生成的图像既能保留原始身份，又能与目标域中的所有身份进行区分；与前两者不同，PDA-Net不再使用CycleGAN作为基础，而是使用编码器和生成器作为模型主体，并设计了姿势指导用于辅助提升生成质量；CR-GAN将源域中的背景替换为不同的目标域背景，从而生成大规模的合成数据集，该方法不但减小了邻域差距，还扩充了数据集。

除邻域自适应方法外，还有基于无监督学习的方法，例如基于聚类的方法以及其他改进方法。例如自相似分组(SSG)方法通过构建从全局到局部的多个聚类为监督学习提供伪身份。样本存储器方法同时利用标记数据和未标记数据对模型进行训练；多标签参考学习方法使用标记数据集作为辅助，在未标记数据集上进行多标签指导的困难样本挖掘和参考代理学习。

为了综合各种因素以提升模型性能，许多工作都使用了多任务学习。例如，focalloss通过调整不同样本的权重来缓解类不均衡问题。SPMTL提出了一个可以为任务和实例划分优先级的正则化器，之后通过考虑任务和实例的复杂性进行学习。在单域的行人重识别领域，有研究者提出了使用多损失动态训练的方法动态的调整三元组损失和身份损失之间的权重。本发明提出的基于混合学习的跨域行人重识别方法，利用发明的动态权重函数动态地调整监督学习和无监督学习之间的权重。

发明内容：

本发明的目的是缓解邻域差距的问题，提出一种基于混合学习的跨域行人重识别方法，以解决在源域上具有高性能的模型，很难被推广到不具备标签信息的目标域的问题。

一种基于混合学习的跨域行人重识别方法，其特征在于，包括如下步骤：

步骤1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；

步骤2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块。其中本发明设计分类模块进行监督学习，设计度量模块用于无监督学习；

步骤3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。

所述步骤1包括如下步骤：

步骤1.1：利用现有模型对源数据和目标数据进行预处理。首先，为减少源图像中背景的影响，本发明使用SBSGAN对x_s进行了背景削弱：