[发明专利]一种基于行人重识别的度量损失框架改进方法及相关设备

权利要求书

1.一种基于行人重识别的度量损失框架改进方法，其特征在于，所述基于行人重识别的度量损失框架改进方法包括：

利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理；

利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中；

利用SVD分解网络对特征提取网络的输出层参数矩阵进行奇异值分解；

利用左奇异矩阵代替原参数矩阵，不改变特征向量欧氏距离相关性，将特征向量投影到正交的特征解空间中，完成对特征向量纬度的相关性解耦；

根据提取得到的维度相关性解耦的特征向量，完成对度量损失框架的改进。

2.根据权利要求1所述的基于行人重识别的度量损失框架改进方法，其特征在于，所述利用对角化方法对拟合不同类别样本总体分布的协方差矩阵进行降维处理，具体包括：

对样本分布进行建模时，对每个类别分别学习不同类别的协方差矩阵；

若一个存在C个类别的训练图像数据集其中，y是图片I所对应的类别标签，N是训练图像的个数；

对于第i张训练集图片I，将特征提取网络θ(·)提取的特征向量记作其中，n为特征向量空间的维数，T表示转置；将类别样本的协方差矩阵Σ_a表示如下：

其中，a_nn表示第n维特征的方差；

对原本的协方差矩阵Σ_a加强约束，使各个维度之间的相关性进行解耦，得到对角化后的协方差矩阵：

在对角化约束的条件下，每个类别的协方差矩阵的待更新元素数量下降到n，对具有C个类别的训练图像数据集、特征空间的维度是n维的情况下，对于协方差矩阵Σ_a总共仅有C×n个元素计算，计算复杂度从平方复杂度O(C×n²)下降到线性复杂度O(C×n)。

3.根据权利要求2所述的基于行人重识别的度量损失框架改进方法，其特征在于，所述利用代理矩阵存储不同类别的协方差矩阵的对角元素，并通过代理矩阵将样本的不确定性范围映射到特征空间中，具体包括：

对编码一个C×n大小的参数矩阵用于存储每个类别的协方差矩阵的对角元素，所述参数矩阵称为代理矩阵，在每个迭代的过程中，根据训练样本三元组中锚点的标签索引，在代理矩阵中提取标签索引所在的行向量；

利用提取的行向量对角化重构锚点的协方差矩阵，将协方差矩阵映射到训练图像数据集的特征空间中，通过锚点的协方差矩阵与特征向量对锚点在特征空间中分布的不确定性进行高斯建模，再计算不确定性建模的triplet loss损失，将经过反向传播的梯度更新到协方差矩阵的代理矩阵中。