公开(公告)号：CN117912070A

公开(公告)日：2024-04-19

申请号：CN202311785612.1

申请日：2023-12-22

Applicant: 北京理工大学珠海学院

Inventor： 何佳 ,  张小凤 ,  李鹏生 ,  朱明超 ,  张恩 ,  许桐 ,  王科俊 ,  苏秉华

IPC: G06V40/16 ,  G06V10/774 ,  G06V10/762

Abstract: 本发明提供一种基于伪标签约束耐躁学习的行人重识别方法，其包括在目标域聚类得到的不同类构建类别中心；在得到上述类别中心后，通过将目标域中的所有特征分别与所有类别中心计算距离，并进行归一化，得到一个和为1的向量，作为样本的软标签；基于细粒度化的软标签，设计新的损失函数训练网络，并对伪标签的生成进行约束；其中，所述损失函数包括交叉熵损失、反向交叉熵损失以及三元组损失；在使用多个损失函数训练学习行人重识别网络模型，输入图像数据至训练好的模型，输出识别结果。本发明通过反向交叉熵损失对伪标签生成的方式进行优化，并对生成的标签加以约束，避免过多错误伪标签的产生，使得优化后的网络模型能够提高识别准确率。

公开(公告)号：CN117935330A

公开(公告)日：2024-04-26

申请号：CN202311787209.2

申请日：2023-12-22

Applicant: 北京理工大学珠海学院

Inventor： 张小凤 ,  何佳 ,  朱明超 ,  张恩 ,  李鹏生 ,  许桐 ,  王科俊 ,  苏秉华

IPC: G06V40/16 ,  G06V10/80 ,  G06V10/42

Abstract: 本发明提供一种基于图卷积网络多源域融合的行人重识别方法，其包括在选取数据集，分为目标域数据集和源域数据集；构建基于ViT的特征提取模型；基于图卷积网络进行多源域融合；为不同的源域分别设置有分类器，通过将目标域中的所有特征分别与所有类别中心计算距离，并按照该距离将其伪标签分配给最近的类别中心所属的类别；将提取后的特征分为两个支路计算损失函数，在使用多个损失函数训练学习行人重识别网络模型，输入图像数据至训练好的模型，输出行人重识别结果。应用本发明可以有效实现对不同领域特征的深度融合，以及达到高精度的无监督域适应行人重识别的目的。