[发明专利]行人重识别方法、装置、电子设备及可读存储介质

权利要求书

1.一种行人重识别方法，其特征在于，包括：

预先构建专家网络和行人重识别初始模型，利用所述专家网络对所述行人重识别初始模型的分类标签和嵌入层进行知识监督，以将所述专家网络获得的知识迁移至所述行人重识别初始模型，得到训练好的行人重识别初始模型；删除训练好的行人重识别初始模型的分类层，得到行人重识别模型；

将待识别图像输入至所述行人重识别模型，得到所述待识别图像的嵌入特征；

通过将所述待识别图像的嵌入特征与数据库中各检索图像的嵌入特征进行比对，得到所述待识别图像的识别结果；

其中，所述利用所述专家网络对所述行人重识别初始模型的分类标签和嵌入层进行知识监督，包括：

根据所述专家网络和所述行人重识别初始模型的嵌入特征得到相应的分类特征；

利用分类函数处理各分类特征，得到相应的分类概率；

通过依次计算所述行人重识别初始模型的分类概率与所述专家网络各分支的损失函数，以完成对所述行人重识别初始模型的分类标签的知识监督；

根据所述专家网络和所述行人重识别初始模型的嵌入层特征的平衡系数、所述专家网络的嵌入特征和所述行人重识别初始模型的嵌入特征，对所述行人重识别初始模型的嵌入层进行知识监督。

2.根据权利要求1所述的行人重识别方法，其特征在于，所述构建专家网络和行人重识别初始模型之后，还包括：

获取所述专家网络的输出特征图；

按照预设比例参数对所述输出特征图进行分块处理，得到多块子输出特征图；

对每块子输出特征图进行下采样操作，得到所述专家网络的输入图像的局部特征；

对所述输出特征图进行最大池化处理，得到所述输入图像的全局特征；

将所述局部特征和所述全局特征作为所述专家网络的嵌入特征。

3.根据权利要求2所述的行人重识别方法，其特征在于，所述构建专家网络和行人重识别初始模型，包括：

采用轻量级神经网络结构搭建行人重识别初始模型。

4.根据权利要求1至3任意一项所述的行人重识别方法，其特征在于，所述构建专家网络和行人重识别初始模型之后，包括：

根据所述专家网络和所述行人重识别初始模型的分类特征、分类标签和嵌入特征确定所述专家网络和所述行人重识别初始模型的训练损失函数；所述训练损失函数L为：

L=L_p+L_c+L_e；

其中，L_p=L(p_r，y_hard)=cross_entropy(softmax(c_r)，y_hard)，L_p为所述行人重识别初始模型的分类损失函数，p_r为所述行人重识别初始模型的分类概率，y_hard为输入图像的真实标签，c_r为所述行人重识别初始模型的分类特征，cross_entropy表示交叉熵损失函数；L_c为标签损失函数，，p(b)表示所述专家网络的第b个分类头，N为所述专家网络的分类头总数，p(l)表示所述行人重识别初始模型的分类头输出，C为p(b)和p(l)的向量维度，c表示对应向量的第c个元素，N为所述专家网络的分类头总数；L_e为嵌入损失函数，；e(k)为所述专家网络的嵌入特征，e(l)为所述行人重识别初始模型的嵌入特征，α_k为所述专家网络和所述行人重识别初始模型的嵌入层特征的平衡系数，k为所述专家网络的第k个分支，K为所述专家网络的分支总数。