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：之江实验室;华东师范大学

摘要：本发明属于行人重识别技术领域，具体涉及基于类中心域对齐的判别无监督跨域行人重识别方法，包括以下步骤：步骤一，准备源域样本和目标域样本，将源域和目标域的样本送入CNN骨架网络，提取得到行人图像特征；步骤二，对源域行人图像特征进行分类学习，得到类别中心，对目标域行人图像特征进行聚类学习，得到聚类中心；步骤三，根据聚类损失，得到可靠样本后，对未标记样本进行伪标签动态指派，计算相应聚类损失；步骤四，对类别中心和聚类中心进行对抗学习，计算域对齐损失；步骤五，梯度反向传播，优化网络，输出并测试行人重识别模型。本发明提升了特征的判别性，加速了网络收敛，相比于现有领域自适应和聚类方法，提升了输出行人表征的判别性。

主权项：1.基于类中心域对齐的判别无监督跨域行人重识别方法，其特征在于，包括以下步骤：步骤一，准备源域样本和目标域样本，将源域和目标域的样本送入CNN骨架网络，提取得到行人图像特征；步骤二，对源域行人图像特征进行分类学习，得到类别中心，对目标域行人图像特征进行聚类学习，得到聚类中心；步骤三，根据聚类损失，得到可靠样本后，对未标记样本进行伪标签动态指派，计算相应聚类损失；步骤四，对类别中心和聚类中心进行对抗学习，计算域对齐损失；步骤五，梯度反向传播，优化网络，输出并测试行人重识别模型；所述步骤一，具体包括如下步骤：步骤T1-1，设为N个有标签的源域样本，即源数据集，其中x与y分别为对应的样本和标签，为M个无标签的目标域样本，即目标数据集，所述源数据集和目标数据集的类别没有重叠，对所述源数据集和目标数据集的行人图像进行裁剪、翻转的数据增广操作；步骤T1-2，同时将源域和目标域的样本输入到CNN骨架网络中，进行特征提取，得到源域样本特征Zi和目标域样本特征所述步骤二，具体包括如下步骤：步骤T1-3，首先对聚类损失和分类损失进行统一表述，所述分类损失采用预测与真实标签之间的差异来衡量，交叉熵损失被定义为： 其中，wi为最后全连接层的列向量，N表示N个有标签的源域样本，exp表示指数e,i表示第i个,j表示第j个，W表示网络分类器线性层的列向量，Wyi表示第i个样本所属类别的列向量，Wj表示不属于当前样本类别的列向量；省略偏差后，交叉熵损失简化为： 当Wj和样本特征Z被正则化之后，放宽条件并且移除指数运算，得到交叉熵形式： 其中D·，·是欧氏距离，得到类别中心损失： 即全连接层的列向量；步骤T1-4，同时，将所述交叉熵形式的变形用于无监督的聚类损失上，通过迭代完善聚类结果的聚类过程，具体的，考虑t分布的相似核： 其中Dwj，zi为使用软指派把样本i归入聚类中心j的概率，Wj’表示其他类别的列向量，j’表示不等于j的所有样本；优化目标域样本，将目标域样本向其类别中心聚集并且远离其他样本中心，则软指派的聚集损失为： 其中Qwj，zi为正则化概率，定义如下： 其中fj＝∑iDwj，zi，所述软指派为自步学习方法，逐渐将目标域样本推向更高置信度的中心，从而推导出无监督迁移目标，对源数据集进行分类，对目标数据集进行聚类： λ为超参数。

全文数据：

权利要求：

百度查询： 之江实验室 华东师范大学 基于类中心域对齐的判别无监督跨域行人重识别方法