一种基于单样本的半监督行人重识别方法研究

近年来,监督学习的行人重识别是利用深度学习知识检索特定行人的人工智能技术,由于有监督的行人重识别需要标注数据集中所有样本,耗费了大量的人力物力,不利于行人重识别在实际场景中的应用,因此无监督行人重识别、半监督行人重识别应运而生。针对单样本的半监督行人重识别任务,即每个身份的行人仅标注一个样本,且是不同摄像头下选取的样本。由于行人姿态变化且标签样本数量较少,因此,提取有区分力的特征具有较高的难度。为了解决上述问题,首先将部件分割约束应用到单样本的行人重识别任务;其次设计了多分支网络,包括全局分支和两个局部分支用来提取水平切块的特征和实施部件分割约束,对全局特征进行补充;最后设计损失函数融合,训练过程中通过减小融合后的损失,不断学习有区分力的特征,优化模型。