基于度量学习和迁移学习的视频行人重识别研究

发布时间：2021-11-15 07:26

　　基于视频的行人重识别是视频监控工作中的一项重要任务。在已有的基于视频的行人重识别方法中,基于度量学习的视频行人重识别方法通过进一步提升原始视频特征的鉴别力,取得了一些令人欣喜的效果。然而这类方法本身也存在一些不足之处。例如:（1）不同的负样本所蕴含的鉴别信息数量是不一致的,因而对度量学习的贡献也是不相同的。然而这些基于度量学习的方法在处理不同负样本时往往未进行有效处理。（2）这些度量学习方法在训练过程中都依赖大量的有标记数据。在实际应用中,从非重叠摄像头中采集并标记出大量的行人视频数据是一项耗时耗力的工作。鉴于上述存在的这些问题,本文开展了两阶段研究工作。本文首先提出了负样本敏感度量学习方法。该方法在度量学习过程中,对所选择的负样本施加不同的惩罚因子,解决了不同负样本对度量学习贡献不一致的问题。此外,本文还提出了基于迁移学习的无监督度量学习方法。该方法将源数据集和目标数据集投影至公共子空间,并在公共子空间中学习适合目标数据集的度量模型。为了验证所提出方法的有效性,我们将提出的方法与现有的基于视频的方法进行了对比。实验结果表明,提出的负样本敏感度量学习方法能够更好地利用难分负样本中包含的... 

【文章来源】：河南大学河南省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

可以看出，NSML模型取得了更优的结果

第5章实验与评估49本文提出的TLUML方法在优化过程中使用了交替迭代优化算法。在每次迭代优化过程中，需要交替更新{A，B}、V和W。在更新每个变量的过程中，对应的子问题目标函数都是凸函数。为了评估TLUML在训练过程中的收敛情况，我们观察了TLUML的目标函数值在不同迭代次数情况下的变化情况。图5-7和5-8展示了TLUML方法在PRID2011和iLIDS-VID分别作为目标数据集情况下的收敛曲线。我们可以看到，TLUML目图5-5NSML在PRID2011数据集上的收敛曲线。图5-6NSML在iLIDS-VID数据集上的收敛曲线。

基于度量学习和迁移学习的视频行人重识别研究50标函数的能量值下降很快，在15次迭代之后就趋于稳定。在大多数实验中，本文提出的TLUML方法都可以在20次以内达到收敛。5.6本章小结本章首先介绍了实验中采用的两个公开行人视频数据集，然后描述了本文中采用的图5-7TLUML在PRID2011作为目标数据集情况下的收敛曲线。图5-8TLUML在iLIDS-VID作为目标数据集情况下的收敛曲线。


本文编号：3496318