[发明专利]基于领域自适应的跨域车辆重识别方法

说明书

基于领域自适应的跨域车辆重识别方法。本发明公开了将图片输入预先训练好的三条Net网络模型中，对三条Net网络的参数进行加权平均得三条Mean‑Net网络模型；将源域图片输入Mean‑Net网络模型中输出的预测值标记为软伪标签；将目标域图片通过聚类算法得到硬伪标签；通过软伪标签和硬伪标签分别计算三条Net网络模型的软分类损失函数和硬分类损失函数；通过三条Net网络模型，即Net1，Net2和Net3，对应的软分类损失函数和硬分类损失函数构建循环平均学习框架；将车辆数据图片输入构建循环平均学习框架输出相同车辆图片。

技术领域

本发明涉及基于领域自适应的跨域车辆重识别方法，属于图像处理技术领域。

背景技术

车辆重识别是指利用计算机视觉技术判断图像或视频序列中是否存在某一特定车辆的技术，该技术在视频监控、智慧交通、维护社会治安等方面发挥着重要的作用。然而实际交通场景中车辆重识别仍存在着较大挑战，例如，训练时在源域使用的车辆图片数据集跟测试时在目标域使用的车辆图片数据集不同，而且目标域和源域中的车辆图片特征往往分布不一致，具有差异性；此外，同一车辆的外观在不同的监控视角下存在明显的差异，而不同车辆的外观在某些情况下会比较相似，这给车辆重识别带来了极大的挑战。

无监督领域自适应方法可将一个交通场景下训练的模型应用到新的场景，可以在一定程度上解决跨域车辆重识别问题。该方法可以被粗略地分为两类：基于风格迁移的方法和基于伪标签的方法。前者利用生成对抗网络等方式来实现不同车辆数据集之间风格的迁移，以提升车辆重识别技术在不同场景下的应用能力。但是在风格迁移的过程中往往会丢失一些有用的特征信息。后者提出了自适应模块来生成“伪目标图像”，该模块学习未标记域的风格并保留标记域的身份信息，利用动态采样策略，从聚类结果中选择可靠的伪标签数据，结合“伪目标图像”和可靠的伪标签数据用于训练重识别模型，以适应新领域数据集的变化。但是模型的训练往往受到伪标签噪声的干扰，严重者会导致训练崩溃。其中伪标签的噪声主要来自未知的目标类别数、源域预训练的网络在目标域上表现力较弱、聚类算法本身生成正确标签的概率较低等。

发明内容

本发明的目的在于提供基于领域自适应的跨域车辆重识别方法，以解决现有技术目标域和源域中的车辆图片特征往往分布不一致，具有差异性导致重识别准确率低的缺陷。

基于领域自适应的跨域车辆重识别方法，所述方法包括：

将图片输入预先训练好的三条Net网络模型中，对三条Net网络的参数进行加权平均得三条Mean-Net网络模型；

将源域图片输入Mean-Net网络模型中输出的预测值标记为软伪标签；

将目标域图片通过聚类算法得到硬伪标签；

通过软伪标签和硬伪标签分别计算三条Net网络模型的软分类损失函数和硬分类损失函数；

通过三条Net网络模型，即Net1，Net2和Net3，对应的软分类损失函数和硬分类损失函数构建循环平均学习框架；

将车辆数据图片输入构建循环平均学习框架输出相同车辆图片。

进一步地，Net网络模型的训练方法包括：

将transformer作为特征提取网络，将预先训练好的SNR模块和多分类器插入特征提取网络，构建Net网络模型网络模型。

进一步地，SNR模块的训练步骤：

输入源域图片经过实例归一化，然后将归一化的特征图与原特征图做差值，在差值中通过mask提取和身份相关的信息并将提取的信息加到实例归一化后的特征图；

将实例归一化的特征图与提取的信息特征图相加得到的特征图再通过群归一化处理得到最后的特征图。

进一步地，实例归一化的表达式如下：