(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210922288.2 (22)申请日 2022.08.02 (71)申请人 神思电子技 术股份有限公司 地址 250101 山东省济南市高新区舜华西 路699号 (72)发明人 朱锦雷　井焜　许野平　 (74)专利代理 机构 济南千慧专利事务所(普通 合伙企业) 37232 专利代理师 孟令鲁 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 一种跨域无监督行人重识别方法、 设备及介 质 (57)摘要 本申请公开了一种跨域无监督行人重识别 方法、 设备及介质， 方法包括： 采集包含待识别行 人的行人图像； 将行人图像输入至预先训练的模 型中， 模型在目标域中进行无监督训练时， 损失 函数包括邻域对抗损失函数和邻域连续性损失 函数中的至少一种， 邻域对抗损失函数和 邻域连 续性损失函数根据批处理组中特征之间的特征 距离值得到； 根据模型的输出， 得到行人重识别 结果。 引入邻域对抗损失函数， 由于其取决于目 标域图像内的距离， 不需要伪标签支持， 故而能 够拉近特征高相似度的 图像， 并推开特征低相似 度的图像。 而引入邻域特征连续性损失函数， 通 过使得同类特征朝着同一方向收敛， 进一步提升 网络模型的识别性能。 由此提高了模 型对行人重 识别的识别准确度。 权利要求书2页 说明书8页 附图3页 CN 115294604 A 2022.11.04 CN 115294604 A 1.一种跨 域无监督行人重识别方法， 其特 征在于， 包括： 采集包含待识别行 人的行人图像； 将所述行人图像输入至预先训练的模型中， 所述模型在目标域中进行无监督训练时， 损失函数包括邻域对抗损失函数和邻域连续性损失函数中的至少一种， 所述邻域对抗损失 函数和所述邻域连续 性损失函数根据批处 理组中特征之间的特 征距离值得到； 根据所述模型的输出， 得到对所述行 人图像的行 人重识别结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述模型的训练过程包括： 确定批处理组中各特征之间的特 征距离值； 根据所述特征距离值生成正例集和负例集， 所述正例集包括数值低于预设阈值的多个 特征距离值， 所述负例集包括变化剧烈程度高于预设程度的多个特 征距离值； 根据所述正例集和所述负例集， 得到所述邻域对抗损 失函数； 并根据所述正例集得到 所述邻域连续 性损失函数。 3.根据权利要求2所述的方法， 其特征在于， 确定批处理组内各特征之间的特征距离 值， 具体包括： 通过基准网络提取批处 理组中各样本的特 征； 针对任意两个所述特征， 通过第一特征的转置矩阵和第二特征， 得到所述第一特征和 第二特征之 间的余弦距离， 并将所述余弦距离作为所述第一特征和所述第二特征之 间的特 征距离值。 4.根据权利要求2所述的方法， 其特征在于， 根据所述特征距离值生成正例集和负例 集， 具体包括： 根据所述批处 理组中的各 所述特征距离值 生成第一行列式； 在所述第一行列式 中， 以行为单位对所述特 征距离值进行降序排列， 得到第二行列式； 按照所述第二行列式的行 方向进行差分求 导， 得到表示行 方向梯度的第三行列式； 在所述第二行列式中， 按照所述降序排列， 选取最大的K个特征距离值组合得到正例 集； 并根据所述第三行列式， 选取累积变化剧烈程度最大的K个特征距离值组合得到负例 集。 5.根据权利要求4所述的方法， 其特征在于， 根据所述第三行列式， 选取累计变化剧烈 程度最大的K个特 征距离值组合得到负例集， 具体包括： 针对任意K个连续的特征距离值， 将其作为一个滑动窗口， 并根据 所述第三行列式中各 特征距离值对应的梯度， 确定所述滑动窗口中K个连续的特 征距离值对应的累积梯度； 将所述累积梯度最大的滑动窗口， 作为负例集。 6.根据权利要求5所述的方法， 其特征在于， 根据所述正例集和所述负例集， 得到所述 邻域对抗损失函数， 具体包括： 根据所述第 二行列式， 确定所述正例集中各特征距离值的第 一平均项以及所述负例集 中各特征距离值的第二平均项； 将所述第一平均项作为正项， 将所述第二平均项作为负项， 并根据预设的正则化超参 数， 按照所述批处 理组的大小， 确定所述邻域对抗损失函数。 7.根据权利要求3所述的方法， 其特征在于， 根据 所述正例集得到所述邻域连续性损失 函数， 具体包括：权　利　要　求　书 1/2 页 2 CN 115294604 A 2根据所述正例集中各特征距离值的占比， 生成所述特征距离值对应的权重项； 并将所 述占比进行概 率化计量， 得到所述特 征距离值对应的概 率化项； 根据所述权重项以及所述概率化项生成所述邻域连续性损失函数， 以通过所述权重项 提升邻域低相似度损失占比并减少高相似度损失占比， 所述低相似度损失和所述高相似度 损失为两者之间相对确定的。 8.根据权利要求7所述的方法， 其特征在于， 根据所述正例集中各特征距离值的占比， 生成所述特 征距离值对应的权 重项， 具体包括： 根据所述正例集中各特征距离值的占比， 确定所述占比的对立项， 并根据所述对立项 以及预设的常数项， 生成所述特 征距离值对应的权 重项； 将所述占比进行概 率化计量， 得到所述特 征距离值对应的概 率化项， 具体包括： 根据所述特征距离值以及概率系数， 得到各特征距离值对应的调节特征距离项， 并确 定各调节特 征距离项的占比的对数项实现概 率化， 得到所述特 征距离值对应的概 率化项。 9.一种跨 域无监督行人重识别设备， 其特 征在于， 包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够执 行如： 采集包含待识别行 人的行人图像； 将所述行人图像输入至预先训练的模型中， 所述模型在目标域中进行无监督训练时， 损失函数包括邻域对抗损失函数和邻域连续性损失函数中的至少一种， 所述邻域对抗损失 函数和所述邻域连续 性损失函数根据批处 理组中特征之间的特 征距离值得到； 根据所述模型的输出， 得到对所述行 人图像的行 人重识别结果。 10.一种非易失性计算机存储介质， 存储有计算机可执行指令， 其特征在于， 所述计算 机可执行指令设置为： 采集包含待识别行 人的行人图像； 将所述行人图像输入至预先训练的模型中， 所述模型在目标域中进行无监督训练时， 损失函数包括邻域对抗损失函数和邻域连续性损失函数中的至少一种， 所述邻域对抗损失 函数和所述邻域连续 性损失函数根据批处 理组中特征之间的特 征距离值得到； 根据所述模型的输出， 得到对所述行 人图像的行 人重识别结果。权　利　要　求　书 2/2 页 3 CN 115294604 A 3