[发明专利]一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法

说明书

本发明涉及电子通信技术领域，尤其为一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法。本发明中，利用了一种分布式结构，使得在解决ReID问题时并非将所有输入数据上传至云端进行处理，尽量让ReID问题在本地端和边缘端解决。具体是通过在三端上设置退出点，进行联合训练从而得到一个满足本发明要求的优秀神经网络模型，本发明所提出的方法不仅在ReID的识别精度上有所提高，而且在数据通信代价上，有了很大改善，本发明可以适当改进拓展到多区域摄像机网络中，利用分布式实现ReID在现实中的应用，特别在城市安防和打击犯罪方面前景广阔。

技术领域

本发明涉及本发明涉及云、边缘和设备终端三个分布式端，孪生卷积神经网络(Siamese Convolutional Neural Network，简称SCNN)，行人重识别(Re-Identification，简称ReID)领域，具体为一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法。

背景技术

近年来，随着神经网络的兴起，使用深度学习方法解决ReID问题愈加能被诸多专家和学者接受，而且从一定程度上大大提高了ReID的识别精度。与此同时，随着物联网的兴起，摄像机部署更加普遍化，这为在设备端上解决ReID问题提供了可能性。但目前在设备端和云端解决ReID方面仍然存在着很多问题：

1)若将设备端数据卸载到云端进行处理，会带来较大的通信成本、时延及隐私问题；

2)若在设备端就近解决ReID，那么可能由于设备端内存而导致的网络层数限制，使得ReID结果精度达不到要求。

针对这些问题，本发明提出使用分布式计算方法来解决ReID问题。由云、边缘和设备组成的分层分布式计算结构，对于基于地理分布式物联网设备的大规模智能任务，具有支持协调中心和本地决策、提供系统可扩展性等内在优势。

目前，使用深度学习解决ReID问题十分主流，而本发明则基于度量学习，并结合SCNN，提出了一种基于分布式三端的分布式孪生网络(Distributed SiameseConvolutional Neural Network，简称DSCNN)来解决ReID这一问题，因此，针对上述问题提出一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法。

发明内容

本发明的目的在于提供一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法，利用分布式三端对SCNN网络进行映射并通过联合训练，最终实现ReID识别精度与通信开销的均衡，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法，包括如下步骤：

步骤1、选取一个ReID数据集，将其分为行人库和待识别图像作为DSCNN的输入；

步骤2、输入图像经过本地SCNN网络处理，产生相应特征图；

步骤3、产生的特征图经过全连接层产生一系列特征向量：

步骤4、将所有特征向量上传到本地服务器，特征向量分为行人库特征向量和待识别特征向量，这两种特征向量组成特征向量对；

步骤5、从本地服务器中取一个特征向量对，采用余弦度量计算该行人特征向量对的相似度：

步骤6、判断是否遍历完所有的特征向量对，遍历完则整个训练完成，得到最终的DSCNN模型，如果遍历未完成，则继续训练整个网络；

步骤7、若特征向量对遍历未完成，对整个本地端的SCNN网络使用反向传播进行训练，并得到loss函数值J_l：J_l(s，l)＝ln(e^-2sl+1)；