[发明专利]基于分布式时空连续学习的行人重识别方法

权利要求书

1.一种基于分布式时空连续学习的行人重识别方法，该方法在分布式边缘计算网络节点及边缘设备上部署行人重识别模型，实现对行人特征在本地进行连续学习，结合分布式时空特征定向分享模型知识，根据真实的场景持续优化分布式行人重识别模型，其特征在于：

(1)组建具有分布式部署和跨时空连续学习能力的行人重识别模型，对于每个边缘节点i(i∈C)，所述行人重识别模型对应的神经网络包括特征提取模块G_i和动态学习模块F_i；

其中，所述的特征提取模块G_i的权重由ImageNet预训练的卷积网络模型进行初始化；所述的动态学习模块F_i的卷积权重θ_i分解为基本权重B_i、自适应权重A_i以及注意力权重α_i；

(2)当边缘节点i(i∈C)在某段时间t(t＝1，2，...)内出现漂移数据时，利用特征提取模块G_i提取漂移数据的特征P_i^(t)和特征平均值并发送到参数服务器中；

(3)参数服务器将来自不同时间和空间的漂移数据特征进行跨时空的多尺度聚类，对于不同时间段t，t′以及边缘节点i，j的数据特征计算多尺度特征距离

(4)将参数服务器中边缘节点i与其他节点j按照时间维度进行加权聚合，得到t时刻边缘节点i与其他边缘节点j的一维时空关联度

(5)参数服务器中，对于处在t时刻的边缘节点i，选择与其时空关联度高于给定阈值λ_w的边缘节点集合，将它们的动态学习模块的卷积权重进行聚合，并将聚合的结果用于更新边缘节点i的基本权重B_i；

(6)当边缘节点i更新了基本权重B_i后，将基本权重B_i进行固定，利用梯度下降算法在本地环境中不断优化自适应权重A_i以及注意力权重α_i；

(7)在部署过程中不断重复步骤(2)-步骤(6)的过程，实现所有边缘模型在长期部署中能够实现跨时空的分布式连续学习。

2.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法，其特征在于：步骤(1)中对每个时刻的漂移数据提取特征，所有边缘节点采用由ImageNet预训练的卷积神经网络作为特征提取模块G_i，通过动态学习模块F_c实现其他节点的行人重识别模型在当前环境数据的连续学习。

3.根据权利要求2所述的基于分布式时空连续学习的行人重识别方法，其特征在于：所述动态学习模块F_i的各层权重参数由基本权重B_i、自适应权重A_i以及注意力权重α_i组成，基本权重B_i由其他边缘设备上的行人重识别参数聚合，自适应权重A_i由当前环境连续学习得到，注意力权重α_i从基本权重B_i中选择与当前边缘环境相关的权重，对于边缘节点i其动态学习模块F_i的各层权重参数可以表示为：

4.根据权利要求1所述的基于分布式时空连续学习的行人重识别方法，其特征在于：步骤(2)中当前时间段漂移数据的特征P_i^(t)和特征平均值存在如下数学计算关系：

式中，和Y_i^(t)分别是边缘设备i在时刻t下的漂移数据以及对应的标签数据；是利用特征提取模块G_i对漂移数据进行特征抽取的结果；P_i^(t)是漂移数据的特征所组成的集合，其表示将特征抽取的最终结果和对应的标签数据Y_i^(t)进行向量组合；此外，是特征平均值，表示对漂移数据特征集合P_i^(t)中的各特征元素p_i进行加权平均。