[发明专利]基于合成数据消除无监督车辆再识别偏差的方法及系统

权利要求书

1.一种基于合成数据消除无监督车辆再识别偏差的方法，其特征在于，包括以下步骤：

S1、通过保持一致性的生成对抗网络SPGAN将合成数据转化为与目标域具有相似风格的伪目标样本，通过伪目标样本对车辆再识别模型进行预训练；

S2、通过预训练好的车辆再识别模型进行无监督域自适应或完全无监督任务；

S3、通过预先训练好的方向模型和相机模型计算出图像的方向和相机相似度，进而得到最终的车辆相似度用于测试；

所述步骤S1中，利用SPGAN将合成数据X^h的风格迁移到目标域，生成伪目标样本X^h→t；

所述车辆再识别模型采用相互平均教学模型MMT，所述MMT由一对网络Net以及一对网络的平均模型Mean-Net构成，每个Mean-Net监督另一个Net的训练，训练结束后采用性能更好的那个Mean-Net进行测试；采用的Net为ResNet-50；

训练完成之后加载预训练好的参数并通过源域和目标域数据联合进行再次训练，且每个批次输入的目标域和源域数据的数量相等，故设联合数据集X＝X^s∪X^t；设两个网络为和而其Mean-Net的参数E[θ]是根据对应Net的参数θ以动量α进行更新，表示为如下公式：

E[θ]＝αE(θ)+(1-α)θ

将两个Mean-Net表示为和Mean-Net分别用分类器和预测目标域的软伪标签，并通过软交叉熵损失来监督另一个Net，软交叉熵损失表达式为：

其中，x_i和x'_i表示同一张图片经过不同的数据增强模式输入到各自Net和Mean-Net中，I表示联合数据集X的身份数量；除了通过Mean-Net在线生成软伪标签对Net进行优化，Net还利用聚类生成的硬伪标签进行监督，并通过交叉熵损失函数l_ce构成的硬标签损失进行优化，其表达式为：

因此，MMT的整体损失

2.根据权利要求1所述的基于合成数据消除无监督车辆再识别偏差的方法，其特征在于，对通过合成数据训练好的方向模型和相机模型进行后处理，以提升无监督车辆再识别性能，方向模型和相机模型采用的都是IBN-Net50-a；

取效果较好的一个Mean-Net作为车辆再识别模型进行测试，设车辆图像x_i经过车辆再识别模型生成特征向量f_v(x_i)，则车辆图像x_i和x_j的距离表示为：

D_v(x_i,x_j)＝||f_v(x_i)-f_v(x_j)||

通过角度将方向分为36个ID，每10度一个ID，利用合成数据训练一个方向模型，使其能够计算出真实数据集中车辆的方向相似度；

用欧氏距离度量车辆间的方向相似度，设车辆图像x_i经过方向模型生成特征向量f_o(x_i)，则车辆图像x_i和x_j的方向相似度表示为：

D_o(x_i,x_j)＝||f_o(x_i)-f_o(x_j)||

通过相机的ID作为背景变化的可靠标签，用来训练相机模型，通过相机模型计算图像间的相机相似度；设给定车辆图像x_i和x_j，且x_i∈C_a，x_j∈C_b，其中C_i表示第i个相机，则图像x_i和x_j之间的背景相似度就约等于它们的相机相似度D_background(x_i,x_j)＝D_c(x_i,x_j)，设车辆图像x_i经过相机模型生成的特征向量f_c(x_i)相机相似度表示为：

D_c(x_i,x_j)＝||f_c(x_i)-f_c(x_j)||

最后，将Mean-Net、方向模型、相机模型输出的车辆图像x_i和x_j的距离、方向相似度、相机相似度进行融合，得到用于测试的最终相似度D(x_i,x_j)，其表达式为：

D(x_i,x_j)＝D_v(x_i,x_j)-λD_o(x_i,x_j)-λD_c(x_i,x_j)。

3.一种基于合成数据消除无监督车辆再识别偏差的系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行该计算机程序时，实现如权利要求1-2任一项所述的方法步骤。