半监督单样本深度行人重识别方法

摘要：

本文提出一种采用单样本训练的行人重识别方法, 在迭代的过程中采用一种渐进学习框架, 充分利用有标签数据和无标签数据的特性来优化模型. 本文方法主要分为以下3个步骤: (1)训练卷积神经网络来不断优化模型;(2)样本评估: 通过本文提出的抽样策略, 使用多个模型共同训练, 共同挑选出较优的伪标签数据; (3)进行下一轮的训练更新数据. 在训练的过程中, 我们训练数据由有标签数据、伪标签数据, 映射标签数据三部分组成, 使用三组数据进行联合学习, 每组数据对应使用相应的损失函数对模型进行优化, 并且随着迭代的进行, 伪标签数据和映射标签数据总是不断更新. 在使用单样本训练条件下, rank-1=65.3, mAP=45.6. 当训练数据的标注率提升至40%时, rank-1=83.8, mAP=64.9. 实验结果表明: 本文提出的半监督行人重识别方法可以在使用更少标签数据的情况下, 提供与完全监督学习方法相媲美的结果, 充分体现了本方法的有效性.

关键词：半监督学习、单样本、渐进学习框架、多模型、联合学习

所属期刊栏目：29

在线出版日期：2020-03-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：256-260