公开(公告)号：CN116884052A

公开(公告)日：2023-10-13

申请号：CN202310516702.4

申请日：2023-05-09

Applicant: 南京信息工程大学

Inventor： 田青 ,  程耀 ,  杜晓欣 ,  周子枭

IPC: G06V40/16 ,  G06V10/762 ,  G06V10/42 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明提供一种无监督域适应行人重识别方法及系统，涉及域适应的应用领域。该无监督域适应行人重识别方法，包括：将提取后的样本特征经过特征映射分为全局特征和局部特征，通过交叉熵损失和三元组损失构造样本的全局特征和局部特征的基础模型；对样本的全局特征进行聚类操作，通过聚类操作生成伪标签，通过生成的伪标签训练全局和局部特征并以监督的方式优化网络；将全局特征和局部特征的相似度通过交叉一致性分数进行评判；结合交叉一致性分数和样本的局部特征实现对伪标签的提纯，以便完成行人重识别。本发明方法改善了现有无监督域适应行人重识别方法中的标签噪声问题。

公开(公告)号：CN116843015A

公开(公告)日：2023-10-03

申请号：CN202310832565.5

申请日：2023-07-08

Applicant: 南京信息工程大学

Inventor： 田青 ,  杜晓欣 ,  程耀

IPC: G06N3/09 ,  G06F18/23 ,  G06F18/241 ,  G06F18/22

Abstract: 本发明公开了一种多类中心动态对比学习方法及系统，涉及无监督域适应行人重识别技术领域，方法包括以下步骤：接收源域数据集，将源域数据集输入至预先建立的跨域行人重识别的源模型内，得到源模型和权重文件；加载源模型和权重文件，得到平均模型和原模型，利用平均模型提取目标域样本特征，利用目标域样本特征进行多类中心聚类，得到样本伪标签和多类中心；利用平均模型提取当前批次样本特征，计算当前批次样本特征与多类中心的相似概率，利用相似概率对样本伪标签进行优化，得到动态伪标签；利用动态伪标签计算得出动态对比损失，将损失输入原模型内进行监督训练至原模型收敛，利用原模型参数动量更新平均模型参数，得到性能最好的平均模型。

公开(公告)号：CN116311356A

公开(公告)日：2023-06-23

申请号：CN202310115089.5

申请日：2023-02-15

Applicant: 南京信息工程大学

Inventor： 田青 ,  杜晓欣

IPC: G06V40/10 ,  G06V10/764 ,  G06V10/30 ,  G06V10/774 ,  G06V10/44

Abstract: 本发明提供一种用于无监督域适应行人重识别的噪声标签修正方法，涉及无监督域适应行人重识别领域。该用于无监督域适应行人重识别的噪声标签修正方法，利用源域数据集及其对应的标签来训练源模型；利用基于聚类的无监督域适应行人重识别方法对源模型进行微调，利用本文提出的噪声标签修正框架对微调后的域适应模型进行噪声标签修正。相比于以往的噪声标签修正方法，本方法利用噪声标签矫正器将噪声标签做变量处理，并通过反向传播来更新概率标签变量，在更新变量的同时逐渐纠正噪声标签。本方法可以显著提高模型性能，且是一种即插即用的噪声修正方法。