(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 202210554612.X (22)申请日 2022.05.19 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 葛永新　张俊银　华博誉　徐玲　 黄晟　洪明坚　王洪星　张小洪　 杨丹　 (74)专利代理 机构 重庆晟轩知识产权代理事务 所(普通合伙) 50238 专利代理师 孔玲珑 (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) G06V 10/82(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于深度学习的跨 域行人再识别方法 (57)摘要 本发明涉及一种基于深度学习的跨域行人 再识别方法， 包括如下步骤： 选用公开数据集作 为源域和目标域； 选用ResNet ‑50模型M并进行初 始化其参数得到M ′； 将源域和目标域作为初始化 模型M′的输入并计算相应损失对模型M ′进行训 练， 达到最大训练次数后停止训练， 得到训练好 的模型M″； 将待预测行人图像输入训练好的模型 M″中， 得到行人的检索结果。 使用本发明方法可 以更准确的检测识别特定行 人。 权利要求书3页 说明书11页 附图1页 CN 114882531 A 2022.08.09 CN 114882531 A 1.一种基于深度学习的跨 域行人再识别方法， 其特 征在于： 包括如下步骤： S100： 选用公开数据集A和B， 将数据集A作为源域Ds， 公式如下： 其中， 表示第i个源域样本， 表示第i个源域样本对应的真实标签， Ns表示源域样本 总数； 选取数据集B中的部分数据作为目标域训练集DT， DT的表达式如下： 其中， 表示第J个目标域样本， Nt表示目标域样本总数； S200： 选用ResNet ‑50模型M， 模型M包括两个模块， 模块一为在线特征编码器f( ·|θt)， θt为模块一的相关参数， 模块 二为动量特 征编码器 为模块二的相关参数； 使用数据集 ImageNet对模型M进行参数初始化,得到初始化模型M ′； S300： 利用损失函数计算初始化模型M ′的损失； S400： 将源域和目标域作为初始化模型M ′的输入对模型M ′进行训练， 根据S300中计算 的损失更新M ′中的参数， 当达 到最大训练次数时停止训练， 得到训练好的模型M ″； S500： 将待预测行 人图像输入训练好的模型M ″中， 得到行 人的检索结果。 2.如权利要求1所述的一种基于深度学习的跨域行人再识别方法， 其特征在于： 所述 S300中初始化模型M ′的损失函数如下： S310： 使用动量特征编码器对DT中的数据进行特征提取并保存到记忆特征库N中， 然后 利用DBSCAN聚类算法对N中所有的特 征进行聚类并生成与 一一对应的伪标签 S320： 使用时序域关系策略计算源域每次迭代的训练权重wd(i)， 预设源域每次迭代的 训练权重最大为t1， 最小为t2， 其中t1＞t2， 计算表达式如下： 其中， 符号％表示取余操作， i表示第i次训练， e表示最大训练次数， wd(i)表示源 域作用 在第i次迭代训练时的训练权 重， s(i)表示将t1和t2等间隔分后每 份的长度； S330： 使用排名引导选择 策略计算每 个源域样本的训练权 重 具体步骤如下： S331： 从源域Ds随机选取一个源域样本 并利用线特征编码器f( ·|θt)对 进行提取 特征， 然后分别 利用目标域的类别分类 器和源域的类别分类 器对 进行分类， 分 别计算 在目标域上分类的概 率分布 和在源域上分类的概 率分布 计算表达式如下： 其中， 表示 在目标域上分类的概率分布， Ct表示目标域上的类别分类器， cp 表示目标域上伪标签的类别 数量； 代表样本 在源域上分类的概率分布， cs为源权　利　要　求　书 1/3 页 2 CN 114882531 A 2域上真实标签的类别数量， Cs表示目标域上的类别分类 器； S332： 计算 与目标域的相似性分数Si， 表达式如下： 其中， cp表示目标域上伪标签的类别数量； S333： 计算所有源域样 本与目标域的相似性分数， 组成相似性分数集合 然后将所有相似性分数进行降序排列， 取靠前 的k％的相似性分数对应的源域样本作为可 靠性样本集 合 δs， 表达式如下： 其中， τs表示第k％个源域样本的相似性分数； S334： 定义 在源域上的最大类别概率和第二大类别概率分别为 和 计算 在源 域上的不确定性Ui， 表达式如下： S335： 计算所有源域样本不确定性值， 组成不确定性值集合 然后将所 有不确定性值进行升序排列， 取靠前 的k％的不确定性值对应的源域样本作为不确定性样 本集合 δu， 表达式如下： S336： 结合公式(6)和公式(8)得到每 个源域样本的训练权 重 表达式如下： S340： 依据S336得到的源域样本训练权重， 计算源域的交叉熵损失 具体表达式如 下： 其中， 表示源域样本 属于类别 的概率； S350： 依据S3 36得到的源域样本训练权 重， 计算源域的三元组损失 具体步骤如下： S351： 计算第i个以 为锚点的三元组损失的权 重为 计算表达式如下： 其中， 表示与 距离最远的源域 正样本， 表示与 距离最近的源域负 样本； S352： 计算所有源域样 本的三元 组损失后， 可以得到源域的三元 组损失 具体表达式 如下： 其中， 和 分别表示源域样本 与最远源域正样本和最近源域负样本 之间的距离， m 表示三元组的间隔大小； S360： 计算目标域的交叉熵损失 和三元组损失 具体表达式如下：权　利　要　求　书 2/3 页 3 CN 114882531 A 3