[发明专利]一种基于实例感知和匹配感知的重识别方法

权利要求书

1.一种基于实例感知和匹配感知的重识别方法，其特征在于，包括以下步骤：

步骤1：构造重识别网络；

重识别网络包括一个主干网络和三个分支，三个分支分别为全局分支、基于自引导的动态卷积分支和基于相互引导的动态卷积分支；

主干网络为在ImageNet上预训练的Resnet50网络；

全局分支依次为全局平均池化层和批标准正则化层；全局分支使用交叉熵损失函数和三元组损失函数进行训练；

基于自引导的动态卷积分支包括两个浅层网络、动态卷积神经网络和平均池化层，分别称为自引导第一浅层网络、自引导第二浅层网络、自引导动态卷积神经网络和自引导平均池化层；自引导第一浅层网络用于特征压缩；自引导第二浅层网络作为自引导控制器生成自引导动态卷积神经网络的动态卷积核；自引导第一浅层网络、自引导控制器、自引导动态卷积神经网络和自引导平均池化层依次连接；基于自引导的动态卷积分支使用交叉熵损失函数和三元组损失函数进行训练；

基于相互引导的动态卷积分支和基于自引导的动态卷积分支网络结构相同，其中包括互引导第一浅层网络、互引导第二浅层网络、互引导动态卷积神经网络和互引导平均池化层；基于相互引导的动态卷积分支使用三元组损失函数进行训练；

浅层网络由ReLU激活函数和批标准化层构成；

步骤2：将待查询图像输入重识别网络，采用双线性插值将待查询图像的大小调整为256*128像素，再经过Resnet50网络，得到2048*16*8维的待查询图像主干特征；

步骤3：将待查询图像主干特征输入全局分支，输出得到2048维的待查询图像全局特征；

步骤4：将待查询图像主干特征输入基于自引导的动态卷积分支，自引导第一浅层网络将待查询图像的主干特征的维度从2048维压缩到512维，再经过自引导控制器，输出待查询图像自引导动态卷积核；将自引导第一浅层网络输出的待查询图像的512维特征直接输入到自引导动态卷积神经网络，自引导动态卷积神经网络采用待查询图像自引导动态卷积核进行卷积，输出结果再经过自引导平均池化层，最终得到2048维的待查询图像自引导特征；

步骤5：将待匹配图像输入重识别网络，采用双线性插值将待匹配图像的大小调整为256*128像素，再经过Resnet50网络，得到2048*16*8维的待匹配图像主干特征；

步骤6：将待匹配图像主干特征输入全局分支，输出得到2048维的待匹配图像全局特征；

步骤7：将待匹配图像主干特征输入基于自引导的动态卷积分支，自引导第一浅层网络将待匹配图像的主干特征的维度从2048维压缩到512维，再经过自引导控制器，输出待匹配图像自引导动态卷积核；将自引导第一浅层网络输出的待匹配图像的512维特征直接输入到自引导动态卷积神经网络，自引导动态卷积神经网络采用待匹配图像自引导动态卷积核进行卷积，输出结果再经过自引导平均池化层，最终得到2048维的待匹配图像自引导特征；

步骤8：将待匹配图像主干特征输入基于相互引导的动态卷积分支，互引导第一浅层网络将待匹配图像的主干特征的维度从2048维压缩到512维，再经过互引导控制器，输出待匹配图像互引导动态卷积核；

将待查询图像主干特征输入基于相互引导的动态卷积分支，互引导第一浅层网络将待查询图像的主干特征的维度从2048维压缩到512维；再将互引导第一浅层网络输出的待查询图像的512维特征直接输入到互引导动态卷积神经网络，互引导动态卷积神经网络采用待匹配图像互引导动态卷积核进行卷积，输出结果再经过互引导平均池化层，最终得到2048维的待查询图像互引导特征；

步骤9：将待查询图像主干特征输入基于相互引导的动态卷积分支，互引导第一浅层网络将待查询图像的主干特征的维度从2048维压缩到512维，再经过互引导控制器，输出待查询图像互引导动态卷积核；

将待匹配图像主干特征输入基于相互引导的动态卷积分支，互引导第一浅层网络将待匹配图像的主干特征的维度从2048维压缩到512维；再将互引导第一浅层网络输出的待匹配图像的512维特征直接输入到互引导动态卷积神经网络，互引导动态卷积神经网络采用待查询图像互引导动态卷积核进行卷积，输出结果再经过互引导平均池化层，最终得到2048维的待匹配图像互引导特征；

步骤10：将待查询图像全局特征、待查询图像自引导特征和待查询图像互引导特征进行线性加和得到最终的待查询图像特征；

将待匹配图像全局特征、待匹配图像自引导特征和待匹配图像互引导特征进行线性加和得到最终的待匹配图像特征；

步骤11：计算最终的待查询图像特征与最终的待匹配图像特征的欧氏距离；

步骤12：重复步骤5到步骤11，得到待查询图像与图像库中所有待匹配图像之间的欧氏距离，欧氏距离最小的即为最终的匹配结果。