[发明专利]人员重新识别中的无监督域纠正伪标签方法及装置

说明书

本申请提供了一种人员重新识别中的无监督域纠正伪标签方法及装置，在仅仅使用科学公开标注数据集的情况下，实现对无标签的行人图片进行识别。这种无监督的学习算法方便行人重识别系统在新数据集下的部署，不需要新环境下的大量数据标注工作，仅仅需要通过DMP算法自动检测行人并保存行人图片做无监督训练即可。本申请可以实现接近监督学习训练的效果，这种方法减少人工标注的工作量，方便行人重识别系统在新环境下的快速部署和使用。

技术领域

本申请属于深度学习技术领域，具体地讲，涉及一种人员重新识别中的无监督域纠正伪标签方法及装置。

背景技术

当前现有技术中，人员重新识别(re-ID)的目的是将一台摄像机中的某个人的图像与其他摄像机中的该人的图像进行匹配。虽然基于监督学习建立的re-ID模型在几个公众重新识别数据集上取得了一系列成功，当应用于新的相机系统时，通常表现为数据集域偏移的显着性能下降，或通过在图像上标注大量图片来保持性能。新的摄像头系统。为了减少对标记数据的依赖，越来越多的人员重新识别研究人员开始专注于无监督学习领域。与其他非监督学习领域不同，在对比学习中，对比学习通过数据扩充获得接近于监督训练的结果，最流行的人员re-ID最受欢迎的非监督方法之一是非监督域适应(UDA)，它可以对在源域上训练的模型进行适应(数据集) 带有带注释标签的目标图像域(数据集)，而没有身份标签。最近，已经提出了几种用于人re-ID的无监督域自适应方法，并实现了一些有希望的改进。

目前行人检测的算法如DPM和Fast RCNN已经可以实现在一个图像中圈出行人的目标，即自动标注，不需要人工去标注了，那么行人重识别任务就是要找到最可能匹配待识别目标的候选。目前的行人再识别研究是基于数据集的，就是通过架设几个摄像头，采集行人图像，然后人工标注或自动标注。这些图像一部分用于训练，一部分用于识别。由于受到相机拍摄角度、图片成像质量、环境光线变化、人体姿态变化、目标遮挡和训练数据集少等问题的影响，目前的识别率还达不到可以应用的要求。

发明内容

本申请提供了一种人员重新识别中的无监督域纠正伪标签方法及装置，以至少解决当前受到相机拍摄角度、图片成像质量、环境光线变化、人体姿态变化、目标遮挡和训练数据集不够的影响，识别率无法达到要求的问题。

根据本申请的一个方面，提供了一种人员重新识别中的无监督域纠正伪标签方法，包括：

根据收集的行人图片数据建立行人重识别图像训练集；

利用所述行人重识别图像训练集训练选取的卷积神经网络，其中，对卷积神经网络从所述行人重识别图像训练集中提取的特征向量进行约束；

将从所述行人重识别图像训练集中提取出的特征向量进行缓存以便于卷积神经网络的对比学习；

对卷积神经网络的对比学习结果进行量化评估。

在一实施例中，人员重新识别中的无监督域纠正伪标签方法还包括：对卷积神经网络从所述行人重识别图像训练集中提取的特征向量进行约束后利用优化器和反向传播原理对所述卷积神经网络的参数进行修正。

在一实施例中，所述利用所述行人重识别图像训练集训练选取的卷积神经网络，包括：

使用带有标签的行人重识别图像训练集对所述卷积神经网络进行监督学习训练并使用交叉熵函数训练卷积神经网络；

在目标数据集中使用训练后的卷积神经网络提取图片的特征向量；

使用特征向量的随机梯度下降法根据过去的特征向量变化预测现在的目标特征向量。

在一实施例中，人员重新识别中的无监督域纠正伪标签方法还包括：

在使用缓存的特征向量的时候，对缓存的特征向量进行当前模型的参数进行中和。

根据本申请的另一个方面，还提供了一种人员重新识别中的无监督域纠正伪标签装置，包括：