[发明专利]基于分支学习和分层伪标签的行人重识别网络训练方法

权利要求书

1.一种基于分支学习和分层伪标签的行人重识别网络训练方法，所述的行人重识别网络为相互平均教学网络，所述的相互平均教学网络包括两个结构相同的网络Net1和Net2以及对应的平均网络Mean Net1和Mean Net2，其特征在于，所述的训练方法包括：

获取标签数据集和无标签数据集，将标签数据集作为一层，将无标签数据集分为N层，并对各层的无标签数据分别赋值伪标签，形成N层伪标签数据，N为常数；

构建分支学习框架，包括N+1个共享权重的相互平均教学网络分支，其中一个分支用于输入标签数据进行训练，其余N个分支分别对应输入N层伪标签数据进行训练；

构建各分支的损失函数，确定分支学习框架的总损失函数，基于总损失函数对分支学习框架进行多轮训练，每一轮训练过程中对无标签数据集重新进行分层；

所述的无标签数据集分为2层，具体为：将与标签数据集中的标签数据距离较近的若干无标签数据分作一层，剩余无标签数据分作一层；

所述的无标签数据集分层的具体方式为：

对标签数据集和无标签数据集中的标签数据和无标签数据分别采用特征提取器进行特征提取，标签数据特征记作无标签数据特征记作θ_o为特征提取器；

计算无标签数据集中任意一个无标签数据和标签数据集中任意一个标签数据间的欧式距离并取最小值，计算公式为：

其中，||·||表示欧氏距离，L表示标签数据集；

将无标签数据对应的由小到大排序，选取前p个无标签数据作为第一层伪标签数据，称作最近邻伪标签数据，其余无标签数据剔除掉其中的聚类离群点后作为第二层伪标签数据，称作聚类伪标签数据；

所述的分支学习框架的总损失函数记作L，表示为：

其中，分别表示输入标签数据分支的分类损失、软分类损失、难样本三元组损失和软三元组损失，分别表示输入最近邻伪标签数据分支的分类损失、软分类损失、难样本三元组损失和软三元组损失，分别表示输入聚类伪标签数据分支的难样本三元组损失和软三元组损失，L_BD表示输入标签数据分支的类间距离损失，L_GC表示输入最近邻伪标签数据分支的全局中心损失，λ₁,λ₂,α₁表示权重；

输入标签数据分支的类间距离损失L_BD表示为：

L_BD＝L_BD-1+L_BD-2

其中，L_BD-1表示用于训练Net1的类间距离损失，L_BD-2表示用于训练Net2的类间距离损失，其中，L_B表示当前训练批次的训练样本集，N_B表示训练样本集L_B中的样本数，和表示L_B中的标签数据样本，和分别为输入标签数据分支中相互平均教学网络的Net1和Net2提取出标签数据的特征，分别为输入标签数据分支中相互平均教学网络的Net1和Net2提取出标签数据的特征，θ₁、θ₂表示Net1和Net2的特征提取器，||·||表示欧氏距离；

输入最近邻伪标签数据分支的全局中心损失L_GC通过如下方式获得：

对于标签数据其对应标签为j，输入标签数据分支中的相互平均教学网络的平均网络Mean Net1和Mean Net2提取出标签数据的特征为和E^T[θ₁]、E^T[θ₂]分别为所述的平均网络Mean Net1和Mean Net2的特征提取器，将两个特征进行融合，并将融合结果记为标签j的全局类中心C_j，其表达式为：

采用一个记忆模块来存储这些全局类中心，每完成一轮训练更新一次全局类中心的大小；

第一轮训练时输入最近邻伪标签数据分支的全局中心损失L_GC取作0；

从第二轮训练开始，输入最近邻伪标签数据分支的全局中心损失L_GC通过下式获得：

其中，表示第i个最近邻伪标签数据，N_B表示最近邻伪标签数据的总个数，分别为输入最近邻伪标签数据分支中的相互平均教学网络中Net1和Net2提取出最近邻伪标签数据的特征，θ₁、θ₂表示Net1和Net2的特征提取器，y_i表示的伪标签。