行人重識(shí)別（Person Re-ID）是一個(gè)應(yīng)用范圍非常廣的任務(wù),目前很多方法已經(jīng)在單域上實(shí)現(xiàn)了非常大的性能提升。然而,將一個(gè)模型適應(yīng)到一個(gè)沒有標(biāo)簽的新域上仍然非常困難。這是因?yàn)閮蓚�(gè)域采集數(shù)據(jù)的攝像頭通常是不同的,最后會(huì)導(dǎo)致數(shù)據(jù)的分布也會(huì)出現(xiàn)差異,目前這是行人重識(shí)別推向?qū)嶋H應(yīng)用的一個(gè)主要障礙。為了解決這個(gè)問題,很多研究者嘗試了不同的辦法,比如學(xué)習(xí)一個(gè)從源域到目標(biāo)域的不變映射或者利用生成對(duì)抗網(wǎng)絡(luò)創(chuàng)造屬于目標(biāo)域的“假”數(shù)據(jù)等等,但是都沒有取得太好的效果。為了解決這個(gè)問題,我們從一個(gè)基本事實(shí)出發(fā),即目標(biāo)域上沒有標(biāo)簽的數(shù)據(jù)非常容易獲取,并且在實(shí)際中會(huì)以增量的方式獲得�；谶@個(gè)考慮,我們提出了一個(gè)新奇的無監(jiān)督增量學(xué)習(xí)框架,充分利用目標(biāo)域上沒有標(biāo)簽的數(shù)據(jù)來連續(xù)地實(shí)時(shí)更新目標(biāo)域上的重識(shí)別模型。首先,我們逐步地合并相似的樣本成為同一個(gè)人,然后推遠(yuǎn)屬于不同人的不相似的樣本,同時(shí)拉近相同人的相似樣本來優(yōu)化模型;接著,通過一個(gè)新奇的知識(shí)蒸餾的方式,我們從在線收集的數(shù)據(jù)上增量地更新重識(shí)別模型;最后,重識(shí)別模型可以實(shí)現(xiàn)目標(biāo)域上連續(xù)的學(xué)習(xí)過程從而來逐步地實(shí)現(xiàn)目標(biāo)域的適應(yīng)。也就是說,提出的增量學(xué)習(xí)策略可以不忘記以前... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１?—個(gè)標(biāo)準(zhǔn)的分類模型的例子，輸入的圖片通過卷積層和分類層最后得到分類的得分

的距離差距構(gòu)造損失函數(shù)，希望正樣本對(duì)的距離盡可能小，負(fù)樣本對(duì)的距離盡可??能大。為了得到這種類型的輸出，網(wǎng)絡(luò)最后的分類層會(huì)被去掉，直接對(duì)分類層之??前的特征計(jì)算歐氏距離，得到兩張圖片或者三張圖片的相似度。圖２．２就是一個(gè)??二元組孿生網(wǎng)路的例子。??Ｗａｎｇ等人［６４］設(shè)計(jì)了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)集成多尺度和多個(gè)分塊來同時(shí)學(xué)習(xí)??有效的圖片表示和相似度度量。這個(gè)網(wǎng)絡(luò)通過一個(gè)二元組的輸入，從圖片中得到??一個(gè)全尺度的，半尺度的，上半部分和中間的部分，然后網(wǎng)絡(luò)輸出二元組圖片的??相似度得分。這個(gè)結(jié)構(gòu)集成了４個(gè)獨(dú)立的子網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)都嵌入不同尺度，??不同位置的圖片信息。第一個(gè)子網(wǎng)絡(luò)輸入的圖片大小是２００ｘ?１００，第二個(gè)子網(wǎng)??絡(luò)的輸入大小下采樣一倍，是１００ｘ５０，下面兩個(gè)子網(wǎng)絡(luò)分別輸入圖片的上半部??分和中間的部分。四個(gè)子網(wǎng)絡(luò)都由兩個(gè)卷積層，兩個(gè)最大池化層，一個(gè)全連接層??和一個(gè)Ｌ２歸一化層構(gòu)成，每個(gè)子網(wǎng)絡(luò)都能夠獲得不同部分的特征表達(dá)，然后分??別計(jì)算他們的相似度得分。??Ｚｈａｎｇ等人針對(duì)通用的圖像檢索和跨攝像頭的行人重識(shí)別提出了一個(gè)新??奇的網(wǎng)絡(luò)結(jié)構(gòu)

據(jù)逐步被收集到，我們的目標(biāo)是希望能夠在這些數(shù)據(jù)集上訓(xùn)練一個(gè)行人重識(shí)別??的模型，這個(gè)模型能夠從不斷收集到的目標(biāo)域中的數(shù)據(jù)上進(jìn)行學(xué)習(xí)，來逐步適??應(yīng)到目標(biāo)域上。為了實(shí)現(xiàn)這個(gè)目標(biāo)，如圖３．１所示，我們提出了一個(gè)無監(jiān)督的增??量學(xué)習(xí)框架，其通過在線適應(yīng)的方式來泛化??模型到目標(biāo)域中。首先，使用一個(gè)標(biāo)準(zhǔn)的監(jiān)督特征學(xué)習(xí)方法３．３來訓(xùn)練一個(gè)行人??重識(shí)別的基線模型，使用的數(shù)據(jù)集是從源域到目標(biāo)域的風(fēng)格轉(zhuǎn)換的數(shù)據(jù)集（如??圖３．１（１））。訓(xùn)練好了一個(gè)基線模型之后，就可以用來提取更加具有辨別度的特??征進(jìn)行后續(xù)的無監(jiān)督學(xué)習(xí)和增量學(xué)習(xí)。接著，我們使用基線模型對(duì)新收集到的??目標(biāo)域中的無標(biāo)簽數(shù)據(jù)集進(jìn)行行人的外形特征提取，得到所有圖片的初始特征。??然后，使用這些提取的初始特征，我們借助排斥的損失和吸引的損失作為監(jiān)督信??息


本文編號(hào)：3020211