[发明专利]一种基于对比聚类的无监督行人重识别方法

权利要求书

1.一种基于对比聚类的无监督行人重识别方法，其特征在于，包括以下步骤：

步骤1：使用初始特征编码器对无标注行人图像数据集进行前向计算，使用编码的特征初始化基于类别原型的特征存储单元；

步骤2：在每轮训练前进行特征存储单元中编码特征的聚类，根据聚类可靠性评价标准进行聚类结果的筛选；

步骤3：使用特征编码器对每一组小批量训练样本进行特征编码，利用统一对比损失函数进行网络的反向传播，更新特征编码器；

步骤4：利用编码的特征以动量更新的方式动态更新特征存储单元；

步骤5：根据训练轮回数循环进行步骤2-步骤4，直到所述行人重识别网络收敛。

2.根据权利要求1所述的一种基于对比聚类的无监督行人重识别方法，其特征在于，所述步骤1包括：

使用ResNet-50深度神经网络作为特征编码器，并使用ImageNet图像数据集上的预训练权重对其进行初始化；

使用特征编码器对行人图像数据集中的样本进行特征提取，得到特征集合{v₁,…,v_n}，将样本特征以实例为单位全部保存到特征存储单元中。

3.根据权利要求1所述的一种基于对比聚类的无监督行人重识别方法，其特征在于，所述步骤2包括：

使用DBSCAN聚类算法对步骤1中特征存储单元中的特征集合{v₁,…,v_n}进行聚类，特征存储单元中的类别原型进一步分为聚类簇质心及未聚类离群值实例其中n_c表示聚类簇的数量，n_o表示未聚类离群值的数量，使用自步学习策略并结合聚类独立性与聚类紧密性标准，保留可靠的聚类簇，而将不可靠的聚类簇中的特征拆解回无聚类的离群值实例中。

4.根据权利要求3所述的方法，其特征在于，所述自步学习策略在每轮训练开始前重新进行聚类，从最可靠的聚类簇开始，逐步增加聚类簇的数量，通过调整DBSCAN聚类算法中样本邻域距离阈值，交替放宽与缩紧聚类标准；

所述聚类独立性标准用于度量类间距离，表现为特征集合与放宽聚类标准后特征集合之间的交并比：

其中|·|表示集合中特征的数量，I(f_i)表示同一个簇中的样本集合，I_loose(f_i)表示放宽聚类标准后同一个簇中的样本集合，R_indep(f_i)表示簇I(f_i)的独立性得分；

所述聚类紧密性标准用于度量类内距离，表现为特征集合与缩紧聚类标准后特征集合之间的交并比：

其中I_tight(f_i)表示缩紧聚类标准后同一个簇中的样本集合，R_comp(f_i)表示簇I(f_i)的紧密性得分；

通过以上聚类可靠性评价标准度量聚类中数据之间的独立性和紧密性，设置α,β∈[0,1]表示独立性和紧密性阈值，保留类间独立性R_comp(f_i)α且类内紧密性R_indep(f_i)β的聚类簇样本，将其余样本划分为未聚类的离群值。

5.根据权利要求1所述的一种基于对比聚类的无监督行人重识别方法，其特征在于，所述步骤3包括：

给定无标签的训练样本使用步骤2中的自步学习策略将其分为有聚类伪标签的样本集合和不属于任何聚类的离群值实例样本集合且

给定训练样本使用特征编码器进行前向计算得到编码的特征f，构建统一对比损失函数：

其中，z⁺表示特征f的正面类别原型，τ表示温度系数，·,·表示向量内积，c_k为当前聚类的簇质心，表示聚类内的类别原型，v_k为当前聚类离群点的实例特征，表示无聚类的类别原型；

对小批量样本编码特征后，与两种类别原型进行比较，使得每个训练样本靠近它所属于的类别而远离其他类别。