CN114821237B 一种基于多级对比学习的无监督船舶再识别方法及系统 （山东大学）

一种基于多级对比学习的无监督船舶再识一种基于多级对比学习的无监督船舶再识别方选船舶图像集中与所述查询船舶图像属于同一2采用特征提取网络提取增强图像的增强图像特征，基于增强图所述特征提取网络训练的过程包括：基于增强图像特征，计算所有获取查询船舶图像，利用训练好的特征提取网络提取查询船所述计算实例级对比损失的过程采用实例级对比损失函数实现，所τ1为实例级对比学习的超参数，i和j所述聚类级对比损失采用聚类级对比损失函数计算得到，所述聚类级对比损失函数本与其所属簇的簇特征间的相似度，si,k指其与该批次样本中第k个簇的簇特征间的相似3所述计算实例级对比损失的过程采用实例级对比损失函数实现，所4τ1为实例级对比学习的超参数，i和j所述聚类级对比损失采用聚类级对比损失函数计算得到，所述聚类级对比损失函数本与其所属簇的簇特征间的相似度，si,k指其与该批次样本中第k个簇的簇特征间的相似行时实现如权利要求1-5中任一项所述的基于多级对比学习的无监督船舶再识别方法中的8.一种计算机设备，包括存储器、处理器及5[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技北京大学张史梁团队提出的MMCL方法从损失函数的角度来讲也属于基于对比学习进行行文大学多媒体实验室提出的SpCL方法借助于一个混合记忆块实现了较好的无监督行人再的特征通常由该簇内所有样本特征求均值得到，因此簇特征是簇内所有特征的集中体现，从而可以避免拥有同一伪标签的正样本在训练过程中被推开。最近发表在ICCV2021的ICE实例级对比学习在无监督船舶再识别任务中的作用。6ContrastiveLearning,ICL)和聚类级对比学习(Cluster-levelContrastiveLearning,[0012]采用特征提取网络提取增强图像的增强图像特征，基于τ1为实例级对比学习的超参数，i和j均78如上述第一个方面所述的基于多级对比学习的无监督船舶[0039](2)本发明建立了无需特征存储块的多级对比学习框架。本发明中的实例级对比题(因为聚类级对比损失函数将当前批次内拥有相同伪标签的所有样本均值作为簇特征，[0041]图1是本发明实施例一示出的基于多级对比学习的无监督船舶再识别方法的流程[0042]图2是本发明实施例二示出的基于多级对比学习的无监督船舶再识别系统的框架9连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来片的备选船舶图像集(gallery)中检索出与查询图片属于同一船舶I端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限[0051]采用特征提取网络提取增强图像的增强图像特征，基于[0054]给定无标签训练集χ,训练的epoch个数E，每个epocht1~T,t~TKEf1,…N}→ax-1=t1(x),ax=tz(x);θ(即最后一个全连接层)，并在网络最后额外增加了批归一化(BatchNormalization,BN)操[0070]作为一种可行的实施方式，本实施例中的实例级对比学习模块ICL以所有增强图[0081]作为一种可行的实施方式，本实施例中的聚类级对比学习模块CCL以每个原始图[0090]本实施例中的聚类级对比学习模块CCL中的簇特征是当前批次内属于同一个簇的CCL模块中的在计算簇特征时只考虑当前批次内的样本，因此无需预先计算整个训练集上[0097]本实施例以训练好的特征提取网络fθ对船舶再识别测试数据中船舶图片的表征能力为基础，基于fθ提取的特征对查询船舶图像(q案优劣体现在检索准确率，包括平均准确率mAP，以及基于累积匹配曲线(CumulativeMatchCharacteristic,CMC)的top1/5/1与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内理器执行时实现如上述实施例一所述的基于多级对比学习的无监督船舶再识别方法中的介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0122]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或