1.一种基于自适应聚类和困难样本加权的无监督车辆再辨识方法,其特征在于,包括:训练阶段,包括如下步骤:
S1,训练图像获取步骤,获取车辆训练集图像,其中每个图像并未提供监督信号;
S2,自适应聚类步骤,利用当前聚类超参数计算最合适的半径值,在连续迭代训练中逐渐衰减聚类半径参数值,以适应由于聚类中类间及类内车辆样本距离的变化;
S3,困难样本记忆步骤,利用距离作为车辆样本困难程度加权依据,更新记忆模块中的困难车辆样本;
S4,对比学习步骤,联合当前批次输入车辆样本的对比损失和记忆样本的历史对比损失共同训练无监督车辆再辨识模型,优化模型判别性;
S5,更新步骤,更新记忆模块中车辆样本特征;
识别阶段,包括:
使用训练好的无监督车辆再辨识模型,对查询图像和注册图像集进行特征提取,与查询图像相似的注册图像,作为无监督车辆再辨识模型识别的结果;
所述自适应聚类步骤采用指数函数动态调整聚类超参数,计算如公式(1)所示:其中,epsinitial表示无监督密度聚类中的半径超参数初始化值;eps是一阈值,若两个数据点之间的距离小于该阈值,则认为这两个数据点彼此相邻; 表示当前迭代次数对应的衰减率;
所述困难样本记忆步骤采用记忆模块存储所有车辆样本特征向量、困难车辆样本特征向量及相应的聚类伪标签类别;记忆模块构建和工作流程如下:
3.1,利用人工神经网络提取所有车辆样本特征向量,并利用聚类算法对车辆样本特征向量进行聚类,将相似车辆样本聚类形成若干个聚类簇;
3.2,构建记忆簇,记录聚类簇中的车辆样本特征向量和相应的聚类伪标签类别;
3.3,加权更新同类记忆簇,聚类伪标签类别i对应的记忆簇更新如公式(2)所示:Gij=wijFij (2)
其中,Gij表示记忆簇里属于聚类伪标签类别i中所对应第j个样本的权重,Fij表示聚类伪标签类别i对应的记忆簇中记录的第j个车辆样本特征向量,wij表示Fij的困难程度,计算如公式(3)所示:其中,||·||表示两个车辆样本特征向量之间的距离计算;τw>0表示温度超参数;Ni表示聚类伪标签类别i对应的记忆簇中记录的车辆样本特征向量数量;Fik表示聚类伪标签类别i对应的记忆簇中记录的第k个车辆样本特征向量;F表示属于类别i的输入车辆样本特征向量;
所述对比学习步骤联合当前批次输入车辆样本的对比损失和记忆样本的历史对比损失共同训练,如公式(4)所示:L=Lc+λLm (4)
其中,L表示模型训练的总体对比损失;Lc表示当前对比损失函数;Lm表示历史对比损失函数;λ≥0表示超参数;
当前批次输入车辆样本的对比损失函数,如公式(5)所示:
其中, 表示当前批次中距离qi最远的车辆正样本特征向量,即和qi有相同的聚类伪标签;qj表示当前批次中第j个车辆样本特征向量,且其聚类伪标签与qi不同,即yi≠yj,其中yi和yj分别表示qi和qj的聚类伪标签;N表示当前批次车辆样本数量;τc表示温度超参数;
记忆样本的历史对比损失函数,如公式(6)所示:
其中, 表示存储在记忆模块距离qi最远的车辆正样本特征向量,即和qi有相同的聚类伪标签;Gj表示记忆模块的第j个车辆样本特征向量,且其聚类伪标签与qi不同,即yi≠yj,其中yi和yj分别表示qi和qj的聚类伪标签;K表示存储在记忆模块中的车辆样本数量;τm表示温度超参数;
所述更新步骤中,记忆模块的更新公式如(7)所示:
Gi=βGi+(1‑β)×qi (7)
其中,β表示温度超参数,用于平衡新旧车辆样本特征向量的贡献;Gi表示存储在记忆模块中属于类别i的车辆样本特征向量;qi表示当前批次中第i个车辆样本特征向量。
2.根据权利要求1所述的基于自适应聚类和困难样本加权的无监督车辆再辨识方法,其特征在于,所述识别阶段,具体包括:使用训练阶段得到的无监督车辆再辨识方法模型,对查询图像和注册图像集进行特征提取,得到查询图像的特征和注册图像的特征,即FC层的输出;基于所提取的特征,分别计算查询图像与注册图像之间的距离,并根据距离进行升序排序,选取排名靠前的注册图像即为与查询图像相似的注册图像,作为无监督车辆再辨识模型识别的结果。