[发明专利]一种基于不确定性估计的行人再识别方法

权利要求书

1.一种基于不确定性估计的行人再识别模型训练方法，其特征在于，包括以下步骤：

步骤一：获取原始图像和初始化卷积神经网络参数；

步骤二：将所述原始图像按行分割成上下多个局部，得到分块图像；

步骤三：将所述分块图像的各个张量分别输入到卷积神经网络中，得到对应的局部特征；

步骤四：计算每一个所述局部特征对应的局部不确定性估计；

步骤五：根据各个所述局部特征和各个所述局部不确定性估计计算局部训练过程的第一损失函数；

步骤六：根据所述分块图像的各个张量和对应的所述局部不确定性估计计算精炼后图像；

步骤七：将所述精炼后图像输入到与步骤三中卷积神经网络共享参数的卷积神经网络中，得到整体特征；

步骤八：计算所述整体特征对应的整体不确定性估计；

步骤九：根据所述整体特征和所述整体不确定性估计计算模型输出；

步骤十：根据各个所述局部特征、各个所述局部不确定性估计、所述整体特征和所述整体不确定性估计计算整体训练过程的第二损失函数；

步骤十一：对所述第一损失函数和所述第二损失函数求和，得到模型训练过程的总损失函数，并通过反向传播算法优化模型参数；

步骤十二：重复上述步骤一至步骤十一，直至所述总损失函数收敛，得到训练完成的行人再识别模型。

2.根据权利要求1所述的基于不确定性估计的行人再识别模型训练方法，其特征在于，步骤二包括以下步骤：

步骤二一：获取掩膜M∈R^W×H，掩膜M中的元素M_i,j通过下式计算：

其中，i＝1,…,W，j＝1,…,H，a是行人在所述原始图像中占据的比例，0a≤1，R表示实数，W表示所述原始图像的宽，H表示所述原始图像的高；

步骤二二：计算所述原始图像每行的颜色信息X^(r)∈R^H，每行的颜色信息X^(r)中的元素通过下式计算：

其中，k＝1,…,C，C表示所述原始图像的通道数；

步骤二三：计算每行的颜色信息X^(r)相邻两项的差值，得到差值向量X^(d)∈R^H-1，差值向量X^(d)中的元素通过下式计算：

其中，j'＝1,…,(H-1)，|·|是取绝对值操作；

步骤二四：利用密度估计方法计算差值向量X^(d)的P个峰值的下标且1n₁…n_p…n_PH，n_p为整数，p＝1,…,P；

步骤二五：使用下标对所述原始图像按行进行分割，得到分块图像

其中，是包含所有满足下标条件的所述原始图像的元素的张量，且n₀＝1，n_p+1＝H。

3.根据权利要求2所述的基于不确定性估计的行人再识别模型训练方法，其特征在于，步骤四中通过下式计算每一个所述局部特征对应的局部不确定性估计

其中，为第p个局部特征，CNN(·；Ω)为步骤三中的卷积神经网络，是第p个局部特征的高，C^(f)、W^(f)和H^(f)分别是卷积神经网络输出整体特征的通道数、宽和高；

GAP(·)是全局平均池化函数，其具体形式为下式：

是连续伯努利分布的概率密度函数，x是输入，0x1，λ是分布参数，0λ1，其具体形式为下式：

其中，Const(·)是归一化函数；

λ_p通过下式计算：

其中，是第p个全连接层，参数为的具体形式为：

4.根据权利要求3所述的基于不确定性估计的行人再识别模型训练方法，其特征在于，步骤八中通过下式计算所述整体特征对应的整体不确定性估计

其中，是全连接层，参数为