(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210193883.7 (22)申请日 2022.03.01 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 周雪　丁金　邹见效　朱树元　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 邹裕蓉 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于细粒度特征融合的跨域无监督行 人重识别方法 (57)摘要 本发明提供一种基于细粒度特征融合的跨 域无监督行人重识别方法， 教师网络分支与学生 网络分支输出各自的全局特征， 同时将各自最后 一层特征图进行水平切割并获得各自的细粒度 特征； 将学生网络分支中的细粒度特征分别与教 师网络分支中的全局特征进行融合得到融合特 征； 将融合特征、 教师网络分支的全局特征分别 进行聚类产生硬伪标签， 同时利用教师网络分支 的全局特征的预测结果作为学生网络分支的全 局特征的软伪标签； 最后利用伪标签完成有监督 学习。 本发 明通过同时利用全局特征和细粒度特 征进行学习， 从而提升识别的精度， 对全局整体 信息和局部细粒度信息的关注度的特征融合方 式以获得可靠性更高的聚类伪标签来提升模型 的泛化性。 权利要求书2页 说明书8页 附图1页 CN 114694173 A 2022.07.01 CN 114694173 A 1.一种基于细粒度特征融合的跨域无监督行人重识别方法， 其特征在于， 包括以下步 骤： 1)教师学生网络利用全局特 征和细粒度特 征产生伪标签： 1‑1)将包含行人的目标域图像输入至教师学生网络， 教师网络分支与学生网络分支输 出各自的全局特征， 同时教师网络 分支与学生网络将各自最后一层特征图进 行水平切割为 I份并获得 各自的I份细粒度特 征； 1‑2)将学生网络分支中的I份细粒度特征分别与教师网络分支中的全局特征进行融合 得到I份融合特 征； 1‑3)将I份融合特征、 教师网络分支的全局特征分别进行聚类得到I+1个预测结果， 每 个目标域图像将产生 I+1个伪标签； 2)将融合特征和教师网络分支 的全局特征产生的伪标签作为学生网络分支中对应的 细粒度特征和全局特征的硬标签， 将教师网络 分支输出的全局特征的预测结果作为学生网 络分支的全局特征 的软标签， 利用伪标签完成有监督学习， 从而生成用于行人重识别的教 师学生网络 。 2.如权利要求1所述方法， 其特征在于， 学生网络分支中的I份细粒度特征分别与教师 网络分支中的全局特征的融合采用逐通道注意力机制； 所述逐通道注意力机制通过一个具 有一层隐藏层的多层感知机实现。 3.如权利要求2所述方法， 其特征在于， 学生网络分支中的第i份细粒度特征与教师网 络分支中的全局特 征的具体融合方法为： 第i份细粒度特征经过逐通道注意力机制 之后再经sigmoid函数处理后得到的特征再 与原始的第i份细粒度特征逐元素相加， 相加的结果再与教师网络分支中的全局特征进行 逐通道相乘获得融合特征图， 融合特征图经过全局平均池化并降维成为融合特征， i＝ 1,…,I。 4.如权利要求1所述方法， 其特征在于， 利用伪标签对目标域进行有监督训练 的总损失 Ltotal为： 其中， α, β,γ为超参数， LReID为全局特征的硬标签的损失， LSoft‑ReID为基于软标签的损 失， 为第i份细粒度特征的硬标签的损失； 教师网络分支输出的全局特征的伪 标签及其 预测结果分别作为学生网络分支的全局特 征的硬标签和软 标签。 5.如权利要求 4所述方法， 其特 征在于， 超参数α, β,γ分别设置为1,0.5,0.5 。 6.如权利要求4所述方法， 其特征在于， 第i份细粒度特征的硬标签的损失 的具体计 算方式为： 其中， 中Nt表示目标域中的图片数量， θs表示学生网络分支的权重， 表示学生网权　利　要　求　书 1/2 页 2 CN 114694173 A 2络分支中目标域中第k张图片对 应第i份细粒度特征， k+和k‑分别表示正样本和负样本， ‖ ·‖ 表示2范数。权　利　要　求　书 2/2 页 3 CN 114694173 A 3