[发明专利]一种基于伪标签自纠正的无监督行人重识别方法

权利要求书

1.一种基于伪标签自纠正的无监督行人重识别方法，其特征在于，所述的无监督行人重识别方法包括以下步骤：

S1、构建源域数据集、目标域数据集和目标域测试集，构建算法模型M，使用源域数据集的标签数据对算法模型M进行预训练，其中，目标域测试集包括查询库和图像库；

S2、使用算法模型M对目标域数据集的图片提取特征图，将特征图进行分割，得到多个特征块，对每个特征块进行全局平均池化，将得到的所有特征拼接起来，得到第一目标特征；

S3、对步骤S2中得到的第一目标特征输入到融合网络中，得到第二目标特征；

S4、使用步骤S3中获得的所有行人图片的第二目标特征作为聚类算法的输入，计算所有行人图片的第二目标特征的欧氏距离，根据不同摄像头的图片对的第二目标特征的欧氏距离，通过公式计算得到聚类参数进行聚类得到伪标签；

S5、根据当前训练轮次判断是否需要对步骤S4中获得的伪标签进行自纠正，如需要进行自纠正，则评估步骤S4得到的聚簇的质量，通过对质量分数较低的聚簇再聚类，将最终获得的聚类结果作为伪标签；所述的步骤S5的过程如下：

S51、根据训练策略决定当前是否需要对步骤S4中获得的伪标签进行自纠正，其中，训练策略包括以下其中一种：在训练的前I_f轮进行自纠正、在训练的后I_b轮进行自纠正、轮流进行自纠正或不纠正、超过C_ε以上的聚簇质量分数低于S_ε则进行自纠正，对步骤S4中得到的聚类结果进行质量评估，质量评估的计算公式如下：

其中，N_c表示第c个聚簇的行人图片数，x_ia、x_ja表示第c个聚簇中的第ia、ja张图片，且满足ia≠ja，a_ia表示行人图片x_ia的类内距离均值；N_t表示目标域数据集的总行人图片数，x_ie表示不属于第c个聚簇的剩余行人图片，b_ia表示行人图片x_ia的类间距离均值；通过对聚簇c的所有行人图片都计算类内距离均值以及类间距离均值，进而计算对应图片的轮廓系数；通过对第c个聚簇的所有行人图片的轮廓系数求均值，得到该聚簇的质量评估分数S_c；

S52、通过对每个聚簇计算S_c，得到每个聚簇的自评估质量分数；

S53、选取自评估质量分数低于S_ε的C_k个聚簇，在这C_k个聚簇内部进行再聚类，从而将C_k个聚簇重新切割为C_m个小聚簇，其中，C_m＞＝C_k；

S54、将得到的C_m+C_t-C_k个聚簇作为最终的聚类结果，为每个聚簇分配一个聚簇id，聚簇id从0开始递增至C_m+C_t-C_k-1，将每个行人图片所在的聚簇id作为该行人图片的伪标签，用于进行后续的训练；

S6、使用步骤S4或S5得到的伪标签对算法模型M继续训练；

S7、计算softmax交叉熵损失函数的值并判断该值是否收敛至L_s以下，若是，则执行步骤S8，否则重复进行步骤S2-S6，直至softmax交叉熵损失函数的值收敛至L_s以下；

S8、将目标域测试集的图像输入到经过训练的算法模型M中，提取得到第二目标特征，将目标域测试集的查询库中所有行人图片的第二目标特征与目标域测试集的图像库中的所有行人图片的第二目标特征计算欧氏距离，根据欧氏距离的大小对目标域测试集的图像库中所有图片进行排序，输出对应顺序的图片作为重识别结果。