[发明专利]基于可靠性建模的无监督行人重识别方法及系统

说明书

本发明公开了一种基于可靠性建模的无监督行人重识别方法及系统，属于行人重识别技术领域，其中，该方法包括：利用平均编码器对训练数据特征提取并进行聚类，为每个样本分配伪标签并计算簇质心；为每个平均特征计算平均概率向量，进而和伪标签计算伪标签确定性；利用在线编码器对训练数据特征提取，为每个在线特征计算在线概率向量，基于在线和平均概率向量计算伪标签稳定性；基于确定性和稳定性计算伪标签的可靠性，并使用质心对比损失和身份困难对比损失对在线编码器进行优化，再利用优化后的在线编码器对平均编码器进行优化，最终利用优化后的平均编码器对待测数据进行特征提取以寻找具有指定身份的行人图像。

技术领域

本发明涉及行人重识别技术领域，特别涉及一种基于可靠性建模的无监督行人重识别方法及系统。

背景技术

行人重识别的目的是在图像库中寻找具有指定身份的人的图像。目前，基于监督学习的行人重识别方法已取得了令人满意的性能。然而，由于依赖于大量的人工注释，这些方法通常难以在现实中得到应用。为解决此问题，有研究者对无监督的行人重识别方法进行了探索。依据是否使用源域数据，现有的无监督行人重识别方法可以被分为无监督域适应的方法和完全无监督的方法。无监督域适应方法通常致力于在特征水平或像素水平降低域间差距的影响，同时充分利用源域中的标签信息。在源域的帮助下，该类方法已取得了较高的性能。然而，在现实中，合适的源域并不总是存在的。相比前者，完全无监督行人重识别方法不再依赖任何人工标注的数据，故更具灵活性。该类方法往往在无监督聚类和模型优化之间进行迭代，从而不断提升模型提取具有判别性的身份特征的能力。

现有的完全无监督行人重识别方法通常依赖聚类算法所生成的伪标签对模型进行优化。然而，聚类算法不可避免的会为一些样本赋予错误的伪标签。错误伪标签将误导模型的优化方向并最终阻碍模型的性能提升。在早期的研究中，PUL(progressiveunsupervised learning，渐进式无监督学习)通过设置阈值来选择足够接近聚类质心的可靠样本。最新的方法中，P2LR(probabilistic uncertainty guided progressive labelrefinery，概率不确定性指导的渐进式标签精炼)基于模型对样本的预测概率的确定性来评估伪标签的可靠性，并取得了具有竞争力的性能。然而，概率的确定性只是伪标签可靠性的必要条件，只依靠确定性来评估可靠性是远远不够的。

发明内容

本发明提供一种基于可靠性建模的无监督行人重识别方法及系统，以用于解决现有的无监督行人重识别方法的性能通常会受到错误伪标签的影响，虽可以用确定性评估可靠性，但可靠性低、无鲁棒性以及优化范围小的技术问题。

本发明一方面实施例提供一种基于可靠性建模的无监督行人重识别方法，包括：

步骤S1，采集多个行人图像样本构建训练数据集；

步骤S2，利用平均编码器对所述训练数据集进行特征提取，并将得到的平均特征集进行聚类为每个训练样本分配伪标签，以计算每个簇的质心构建质心矩阵；

步骤S3，将所述质心矩阵作为分类器的权重以计算每个平均特征的平均概率向量，并根据所述平均概率向量和所述伪标签计算伪标签确定性；

步骤S4，利用在线编码器对所述训练数据集进行在线特征提取，以计算每个在线特征的在线平均概率向量，根据所述在线平均概率向量和所述平均概率向量计算伪标签稳定性；

步骤S5，基于所述伪标签确定性和所述伪标签稳定性计算伪标签可靠性，并利用所述可靠性确定质心对比损失函数；

步骤S6，利用所述质心对比损失函数和身份困难对比损失函数对所述在线编码器进行优化，再利用优化后的在线编码器权重对所述平均编码器进行优化；

步骤S7，利用优化后的平均编码器对待测数据集进行特征提取，以确定具有指定身份的行人图像。

本发明另一方面实施例提供一种基于可靠性建模的无监督行人重识别系统，包括：