无监督学习三元组用于视频行人重识别研究

在智能交通中,对于目前产生的海量视频通过人工来标记行人图像不切实际,使无监督学习得到更多的关注。针对在无监督学习数据中缺少详细的身份信息,无法知晓目标图像对应的正负样本问题,提出一种无监督学习三元组用于视频行人重识别研究的方法。该方法从无标签的数据集中挖掘三元组、即目标图像,与目标图像身份相同的轨迹和与目标图像身份不同的轨迹。首先根据单相机内轨迹的时空一致性,即构成轨迹的任意帧图像具有相同的身份,将行人轨迹特征表示成图像特征均值后,通过计算rank-1轨迹作为判断三元组的条件,用于设计特殊的三元组损失函数。并根据特征距离大小分配样本权重,着重学习困难样本,使模型动态调整正、负样本对之间的距离,加速模型的收敛速率,降低过拟合风险。然后通过计算跨相机rank-1,合并高度关联的轨迹作为跨相机三元组的锚样本用于损失计算。最后联合单相机和跨相机的损失评估模型。经过实验证明,该方法在PRID2011、iLIDS-VID和MARS上的结果都表明了该模型的有效性和可靠性。