CN115661923B 自适应建模域特征的域泛化行人重识别方法 （浙江大学）

US2018190377A1,2018.07.05自适应建模域特征的域泛化行人重识别方法本发明公开了一种自适应建模域特征的域本发明适用于多域数据训练测试下的行人重识别，面对各类复杂情况具有较佳的效果和鲁棒2干深度神经网络中的跨域嵌入块以及连接于主干深度所述主干深度神经网络采用ResNet_50_IBN模型，用于从输入的域样本中提取基础特阶段中最后一个特征表达瓶颈块被替换为一个所述跨域嵌入块包含子特征嵌入网络、域样本自适应的子特征组合模块、静所述分类网络用于根据所述主干深度神经网络的最终S3、基于所述多源域数据集对构建的行人重识别网述S1中，多源域数据集中包含不同源域的域样本数据，每个域样本为一张RGB彩色图像S22、根据域样本自适应的子特征组合模块，预测S23基于所述组合权重wl对S21所述中公共子特征嵌入空间内所有域无关子特征进行加权=MLS24、利用动静特征融合模块对动态域样本自适应特征和静态域通用特征进行特S征输入池化层，池化结果再输入分类网络获得预测的分类结果p,并并使用SGD优化方法和反向传播算法在损失函数Ltotal下训练整个行人重识别网络，直述域感知聚类损失函数Lcluster基于S22中预测得到的组合权重进行计算，首先获得全局的410.根据权利要求1所述的多源域数据集对构建的行人重识别网络方法，其特征在于，5于主干深度神经网络中的跨域嵌入块以及连接于主干深[0008]所述主干深度神经网络采用ResNet_50_IBN模型，用于从输入的域样本中提取基每个阶段中最后一个特征表达瓶颈块被替换为一出域无关子特征，将所有子特征嵌入网络提取的域无关子特征构建为公共子特征嵌入空通用特征与动态域样本自适应特征并进行精调，最终得到的特征作为跨域嵌入块的块输训练好的行人重识别网络对未知的目标域图像数据6度神经网络，ResNet_50_IBN模型中除第一个阶段之外的每个阶段中最后一个特征表达瓶域嵌入块的每个阶段输出的特征，第l个阶段输出的特征Fan被输入第l个阶段末尾连接[0015]S21、基于当前第l个跨域嵌入块的前端模块输出的特征通过N个子特征嵌[0021]基于所述组合权重wl对S21所述中公共子特征嵌入空间内所有域无关子特征进行7的特征Fl输入池化层，池化结果再输入分类网络获得预测的分类结果p,并使用p和人工Lcenter和域感知聚类损失函数Lcluster[0035]并使用SGD优化方法和反向传播算法在损失函数Ltotal下训练整个行人重识别网[0036]作为优选，所述域感知聚类损失函数Lcluster基于S22中预测得到的组合权重进行和分别代表第i个和第j个域的平均全局组合权重。8于主干深度神经网络中的跨域嵌入块(CODE_Block)以及连接于主干深度神经网络后的分50_IBN模型中除第一个阶段(Stage)之外的每个阶段中最后一个特征表达瓶颈块出域无关子特征，将所有子特征嵌入网络提取的域无关子特征构建为公共子特征嵌入空通用特征与动态域样本自适应特征并进行精调，最终得到的特征作为跨域嵌入块的块输9作为主干深度神经网络，ResNet_50_IBN模型中除第一个阶段之外的每个阶段中最后一个入块的每个阶段输出的特征，第l个阶段输出的特征Fasn被输入第l个阶段末尾连接的跨[0064]S21、基于当前第l个跨域嵌入块的前端模块输出的特征通过N个子特征嵌[0071]基于所述组合权重wl对S21所述中公共子特征嵌入空间内所有域无关子特征进行[0077]S24、利用动静特征融合模块对动态[0078]f训练好的行人重识别网络对未知的目标域图像数据注的域内类别结果Y计算交叉熵损失函数Lce、三元组损失函数Ltriplet、中心聚类损失函数Lcenter和域感知聚类损失函数Lclu[0085]在本发明的实施例中，上述域感知聚类损失函数Lcluster基于S22中预测得到的组和分别代表第i个和第j个域的平均全局组合权重。[0094]并使用SGD优化方法和反向传播算法在损失函数Ltotal下训练整个行人重识别网[0095]经过上述训练后收敛的行人重识别网络即可用于对实际的不同域的RGB彩色图像[0102]本实例从分别选择4个数据集中的三个用于基于前述方法的训练，其他作为测试[0104]本实施例检测结果的检测精度如下表1所示，主要采用平均Rank1以及mAP两个指标对各种方法的预测精度进行比较，其