买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北工业大学;北京市新技术应用研究所有限公司

摘要：本公开提供一种基于多分支网络的无监督行人重识别训练方法，包括：源域训练和目标域训练，在源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；在目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型。本公开还提供了一种基于多分支网络的无监督行人重识别训练装置，以及一种基于多分支网络的无监督行人重识别方法、装置、电子设备以及可读存储介质。

主权项：1.一种基于多分支网络的无监督行人重识别训练方法，其特征在于，包括：源域训练，在所述源域训练阶段，将带有标签的图像输入至预训练模型进行训练，获得训练好的预训练模型；以及目标域训练，在所述目标域训练阶段，将无标签的图像输入至目标域训练模型中，经训练，获得行人重识别模型；其中，所述标签用于标识图像的类别，所述图像的类别与图像中包含的行人对应，所述目标域训练模型的组成包括所述源域训练阶段获得的训练好的预训练模型；其中，所述预训练模型的训练过程包括：将训练集中的各个图像及图像对应的标签输入至预训练模型，经所述训练模型处理后，输出各个图像的第一全局特征和第一局部特征，所述标签用于标识图像的类别，所述图像的类别与图像中包含的行人对应；将所述第一全局特征和第一局部特征输入至第一分类器，分别获得所述第一全局特征和第一局部特征对应的预测值，所述预测值用于标识经所述第一分类器分类后的与所述第一全局特征和第一局部特征对应的图像的类别；以及构建预训练损失函数，并通过所述预训练损失函数计算训练效果，反复训练所述预训练模型直至所述预训练损失函数的计算值达到预期指标；其中，所述预训练损失函数通过交叉熵损失函数、三元组损失函数的加权求和获得；其中，所述预训练模型的组成包括：主干网络模型，所述主干网络模型串行连接各个分支网络模型，接收输入至预训练模型的图像，将所述图像处理后，将获得的图像特征输入至各个分支网络模型；以及分支网络模型，所述分支网络模型至少为两个，包括全局分支网络模型和局部分支网络模型，所述全局分支网络模型通过将所述图像特征全局最大池化后得到全局特征，所述局部分支网络模型将所述图像的图像特征平均池化后拼接在一起得到局部特征；其中，所述主干网络的组成包括卷积神经网络和卷积模块注意力机制模块，所述分支网络的组成包括卷积神经网络和卷积模块注意力机制模块；其中，所述目标域训练模型包括：教师网络，接收目标域训练集的各个图像，输出与各个图像对应的第二全局特征和第二局部特征；学生网络，接收目标域训练集的各个图像，输出与各个图像对应的第三全局特征和第三局部特征；第二分类器，接收教师网络输出的第二全局特征和第二局部特征，输出分别与所述第二全局特征和所述第二局部特征对应的图像的软标签，所述软标签用于标识所述目标域训练集中对应的图像的类别；聚类模型，接收教师网络输出的第二全局特征和第二局部特征拼接后的特征，经过聚类，生成硬标签，所述硬标签用于标识所述目标域训练集中对应的图像的类别；以及第三分类器，接收学生网络输出的第三全局特征和第三局部特征，输出与所述第三全局特征和所述第三局部特征对应的图像的预测值，所述预测值用于标识目标域训练集中对应的图像的类别；目标域训练损失函数计算模块，构建目标域训练损失函数，并通过目标域训练损失函数计算训练效果其中，所述教师网络、学生网络的结构与所述源域训练阶段的预训练模型的结构一致，为所述源域训练阶段得到的训练好的预训练模型。

全文数据：

权利要求：

百度查询： 河北工业大学 北京市新技术应用研究所有限公司 基于多分支网络的无监督行人重识别方法及装置