[发明专利]一种域自适应行人重识别方法

权利要求书

1.一种域自适应行人重识别方法，其特征在于，所述方法包括：

构建前景-背景联合聚类网络，所述网络包括：前景背景特征提取模块、特征聚类模块、以及分类模块；

在前景背景特征提取模块的各残差块后构建基于注意力的特征分离模块，用于区分前景背景特征，确保前景背景特征提取模块所输出的特征表示能分别有效表征行人和背景类别；

利用特征聚类模块得到的聚类结果分别监督网络两分支的学习过程，引入分离损失以最小化两分支所提取的特征间的相似性；

使用源域预训练好的模型对网络参数进行初始化，采用无监督的方式优化网络模型，以实现域自适应的行人重识别；

其中，所述前景背景特征提取模块包括：两分支的残差卷积神经网络，

前景特征提取网络利用残差块以提取样本的前景行人特征表示，背景特征提取网络结构与前景网络相同；

前景特征提取网络与背景特征提取网络结构对称但互不共享参数，旨在使两分支网络提取到的前景特征及背景特征分别关注样本的不同特征区域；

其中，所述特征聚类模块包括：以前景-背景特征提取模块的两分支特征作为输入，通过对两分支特征分别利用聚类算法以得到前景特征对应的k类行人伪标签及背景特征对应的l类背景伪标签；

其中，所述基于注意力的特征分离模块包括：前景通道注意力子模块和背景通道注意力子模块，

所述前景通道注意力子模块由池化层、全连接层及激活层组成：

其中，pool(·)表示池化层，W₁(·)及W₂(·)分别表示不同的全连接层的权重，ReLU(·)表示ReLU激活函数，sigmoid(·)表示sigmoid激活函数；f_i⁺为第i个残差块所提取的前景特征；f_i^IN+为经实例正则化层得到的正则化后的特征；

所述背景通道注意力子模块和前景通道注意力子模块保持互补关系；所述分离损失为：

其中，||·||₂表示L₂距离，F_i⁺为输出的前景特征，F_i^-为输出的背景特征。