[发明专利]一种迭代非对称互学习哈希行人再识别方法和系统

权利要求书

1.一种迭代非对称互学习哈希行人再识别方法，其特征在于，包括以下步骤：

对于行人再识别数据集，将训练集中的行人图像进行数据预处理；

将预处理后的行人图像同时输入到教师模型与学生模型中，同时根据教师模型的特征图计算激活图并转化为显著区域分数；

将得到的显著区域分数输入学生模型中，并将自蒸馏量化损失最小化，优化目标函数；

计算学生模型与教师模型的预测差异，进行显著性引导的迭代非对称互学习训练；

将测试集中的行人图像送入学生模型得到测试集样本的哈希编码，结合候选集的哈希编码，计算汉明距离，输出排序结果。

2.根据权利要求1所述的一种协作多特征聚类无监督行人再识别方法，其特征在于，

所述预处理包括：将训练集中的行人图像读取到内存中，首先进行归一化处理，即将其像素值转化为均值为0，方差为1；再使用随机擦除、边界扩充操作进行数据增强；最后将增强后的数据转化为Pytorch深度学习框架支持的数据格式。

3.根据权利要求1所述的一种协作多特征聚类无监督行人再识别方法，其特征在于，

所述显著性引导的迭代非对称互学习训练，包括：

学生模型使用教师模型的多个视角产生的输出进行训练，包含特征图、实值特征和哈希编码；

最小化学生模型和教师模型的成对激活相似度差异，其形式如下所示：

其中F_s,F_t分别为教师模型和学生模型的特征图，F为弗罗贝尼乌斯范数；

所述教师模型和学生模型的实值特征从三个角度进行优化：分类分数、成对相似度、余弦相似度。

4.根据权利要求1所述的一种迭代非对称互学习哈希行人再识别方法，其特征在于，

所述将得到的显著区域分数输入学生模型中，包括：

根据所述显著区域分数进行显著性引导的自蒸馏过程，使得学生模型依据图像中存在的判别区域生成紧实值特征编码。

5.根据权利要求4所述的一种迭代非对称互学习哈希行人再识别方法，其特征在于，

所述教师模型包括显著性生成模块、GAP层和分类模块，所述显著性引导的自蒸馏过程，包括：

来自教师模型两个分支的特征图首先相加并平均，随后输入显著性生成模块用于生成激活图，所述激活图通过softmax函数转换成概率图，其中值低于阈值的位置被设置为0，随后带权图进行大小调整并与学生模型的特征图进行矩阵相乘；

所述GAP层将所述矩阵相乘的结果转换为向量，所述分类模块的分类结果被用于生成伪标签对另一GAP分支的训练进行显式指导。

6.根据权利要求1所述的一种迭代非对称互学习哈希行人再识别方法，其特征在于，

所述教师模型包括多样化划分模块和划分编码模块；

所述多样化划分模块包含全局分支和局部分支；所述全局分支包括两个分支，即一个批次归一化层和分类层；所述局部分支包括两个分支，分别对初始的特征图从水平和竖直方向进行三等分和两等分划分，5个子特征链接起来作为最终局部分支的输出；所述全局分支和局部分支的特征进行链接输入划分编码模块，将实值特征划分为多份并将划分后的特征分别映射为一维向量，将所述一维向量链接为最后的输出。

7.根据权利要求1所述的一种迭代非对称互学习哈希行人再识别方法，其特征在于，

所述自蒸馏量化损失为相对熵损失和贪心损失之和；

所述相对熵损失L_kl(m₁,m₂)计算方式如下：

其中m₁,m₂分别代表实值特征和哈希特征的预测结果，N_d为批次大小，c_i代表第i个类别；

所述贪心损失L_gr计算方式如下：

其中p表示p范式，H/B分别为实值特征与哈希特征。