[发明专利]一种域自适应行人重识别方法

说明书

本发明公开了一种域自适应行人重识别方法，所述方法包括：构建前景‑背景联合聚类网络，所述前景‑背景联合聚类网络包括：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，提高了识别的精度。

技术领域

本发明涉及行人重识别、计算机视觉领域，尤其涉及一种域自适应行人重识别方法。

背景技术

作为计算机视觉领域的热点研究任务之一，行人重识别能够在海量监控数据中检索特定人员，目前已广泛应用于智能监控、智慧城市等领域。近年来，随着大量监控摄像头的部署，海量的无标记视频数据随之产生。然而，利用源域(数据集)有标记的行人数据集训练的模型，在应用到包含大量无标记样本的目标域(数据集)时，性能会因为域差异的存在而明显下降。为了解决这一问题，需要研究域自适应行人重识别方法，以有效将源域的预训练模型适配到目标域。

域自适应行人重识别方法可主要分为基于生成的方法，基于域对齐的方法和基于伪标签的方法等。作为当前性能更优的域自适应行人重识别方法，基于伪标签的方法通常在源域中使用有标记样本对网络进行预训练，然后在目标域利用聚类等方式生成的样本伪标签，进一步在目标域精炼预训练模型。在基于伪标签的方法中，Fu等人提出了一种自相似性分组方法，通过利用提取特征的潜在相似性来设计从全局到局部的多个聚类单元。Zhao等人提出了一种新的交互学习方法，通过两分支网络的交互学习来减少生成伪标签的噪声。尽管现有方法已经实现了较好的性能，但如何进一步降低域差异以获得更高的性能提升，仍然存在很多挑战。

此外，源域和目标域之间的背景通常存在较为明显的差异。尽管在源域预训练的模型能够从源域样本中提取具有区分性的前景特征，但将模型应用于目标域样本时，由于背景引发的域差异的存在，模型无法有效区分目标样本中的前景与背景区域。为进一步降低域差异，可以有效利用前景与背景区域之间的互斥性，在提取目标域样本的背景特征的同时，帮助模型获得具有更少背景扰动的前景特征，进而提升域自适应行人重识别的性能。

因此，以基于伪标签的域自适应行人重识别方法为依托，通过所设计的网络减轻背景对前景特征的影响，探索域自适应行人重识别方法具有重要的研究意义及研究价值。

发明内容

为了有效降低源域与目标域间的域差异，并充分挖掘目标域无标记样本中的潜在隐藏信息，本发明提出了一种域自适应行人重识别方法，利用双分支的网络分别提取目标域样本的前景信息及背景信息，在背景信息的引导下进一步优化样本的前景特征，从而实现准确的行人重识别，详见下文描述：

一种域自适应行人重识别方法，所述方法包括：

构建前景-背景联合聚类网络，所述前景-背景联合聚类网络包括：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；