论文部分内容阅读
随着智能监控设备与深度学习技术的飞速发展,多相机联合监控成为一个研究热点。在多个不重叠区域对指定行人进行检索的深度学习行人再识别技术已成为目前多相机联合监控的重要的研究方向,具有广阔的应用价值与研究意义。在深度学习行人再识别技术的实际应用场景中,受复杂的环境因素影响,单一环境中标注的数据集训练的深度学习网络在跨环境使用时往往缺乏适应性与部署性。同时高额的标注成本限制了在新环境中打标训练的可能。寻找能够将已有模型运用于缺少标签的新环境中的行人再识别迁移学习算法成为了一个受到广泛关注的现实问题。论文针对行人再识别的迁移学习算法展开了研究,以基于SPGAN网络的数据生成式迁移学习算法为基础,对数据生成的风格迁移学习方法进行了改进。首先,本文提出一种采用语义分割掩膜的行人图像迁移学习方法。通过利用语义分割网络生成的掩膜对行人图像中行人目标区域与背景区域加以区分,并结合回归损失函数针对行人目标域身份信息进行损失约束,控制风格迁移网络尽可能保持行人身份信息不损失,以进行跨域数据集的风格迁移学习。其后,将风格迁移学习获得的迁移数据集在行人再识别网络上进行特征再学习,提高目标域中行人再识别任务的性能,以完成行人再识别迁移学习的目标。随后,为了解决方法中对行人躯干等部件颜色翻译错误的问题,进一步改进风格迁移网络的性能,论文还提出了一种利用局部特征代替全局特征的行人图像迁移学习方法。该方法首先将SPGAN网络生成的行人深度特征分块为局部特征,随后分别进行特征迁移,最后迁移局部特征经过拼接融合后恢复生成迁移图像。方法可以减少风格迁移网络生成图像中行人部件颜色翻译错误现象,并可与语义分割掩膜迁移学习方法结合使用,进一步提高行人再识别迁移学习任务的性能。方法在DukeMTMC-reID数据集与Market-1501数据集之间进行了迁移学习实验,验证了方法的有效性。