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：CN115880723A

公开(公告)日：2023-03-31

申请号：CN202211623329.4

申请日：2022-12-16

Applicant: 南京信息工程大学

Inventor： 田青 ,  程耀

IPC: G06V40/10 ,  G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明公开一种基于样本加权的无监督多源域适应的行人重识别方法，该方法基于样本加权和多源域信息融合进行行人重识别，其包括如下步骤：将数据集划分为若干源域和一个目标域，并对各源域及目标域中的每个样本进行加权运算；其中，数据集由行人图片组成；构造域代理节点和图数据结构，对多源域的信息进行融合操作；基于源域和目标域的样本对识别模型进行训练，确定模型参数；将待识别的行人图片输入识别模型，得到分类识别结果。本发明的行人重识别方法能防止多个域因为域样本的大小不平衡而出现模型偏差的问题，缩小域间隔，将更多具有相似特征的图像分类到一起，提高相同类内图像的密度，从而达到更高的分类识别效果。