[发明专利]一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法

摘要

本发明涉及电子通信技术领域，尤其为一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法。本发明中，利用了一种分布式结构，使得在解决ReID问题时并非将所有输入数据上传至云端进行处理，尽量让ReID问题在本地端和边缘端解决。具体是通过在三端上设置退出点，进行联合训练从而得到一个满足本发明要求的优秀神经网络模型，本发明所提出的方法不仅在ReID的识别精度上有所提高，而且在数据通信代价上，有了很大改善，本发明可以适当改进拓展到多区域摄像机网络中，利用分布式实现ReID在现实中的应用，特别在城市安防和打击犯罪方面前景广阔。

主权项

1.一种基于云端、边缘端和设备端的分布式孪生卷积神经网络行人重识别方法，其特征在于，包括如下步骤：/n1)选取一个ReID数据集，将其分为行人库和待识别图像作为DSCNN的输入；/n2)输入图像经过本地SCNN网络处理，产生相应特征图；/n3)产生的特征图经过全连接层产生一系列特征向量/n4)将所有特征向量上传到本地服务器，特征向量分为行人库特征向量和待识别特征向量，这两种特征向量组成特征向量对；/n5)从本地服务器中取一个特征向量对，采用余弦度量计算该行人特征向量对的相似度：/n6)是否遍历完所有的特征向量对，遍历完则整个训练完成，得到最终的DSCNN模型，如果遍历未完成，则继续训练整个网络；/n7)若特征向量对遍历未完成，对整个本地端的SCNN网络使用反向传播进行训练，并得到loss函数值J_l：J_l(s,l)＝ln(e^-2sl+1)；/n8)在本地退出点比较得到的J_l值与T₁预设值大小：若J_l≤T₁，样本在本地端退出，并跳转到步骤5，继续计算其余特征向量对相似度；若J_l>T₁，则要将中间结果特征图继续上传；/n9)若J_l>T₁，将从本地端得到的特征图作为边缘端SCNN的输入，联合本地端进行联合训练并得到loss函数J_e；/n10)在边缘退出点比较J_e与T₂：若J_e≤T₂，样本在边缘端退出，之后跳转到步骤5，继续计算其余特征向量对相似度；若J_e>T₂，继续将特征图上传到云端，利用完整的SCNN网络进行训练；/n11)如果J_e>T₂，在云端利用本地端、边缘端和云端进行联合训练。之后跳转到步骤5，继续计算其余特征向量对相似度，若行人特征向量全都遍历完毕，则样本最终退出，训练得到一个优秀的DSCNN模型；/n12)将训练好的DSCNN模型部署到一个多摄像机区域中，进行测试，最终在行人库中找出若干与待识别行人图片一致的行人图片。/n