1.一种无监督车辆再辨识模型训练方法,其特征在于,包括以下步骤:S1,获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将所述无标签车辆图像训练数据中每个车辆图像输入所述车辆再辨识模型,得到车辆图像特征,所述车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,所述车辆图像特征为所述特征提取单元的输出特征,对所述车辆图像特征进行聚类,得到所述无标签车辆图像训练数据中每个车辆图像对应的伪标签,具体包括:
1)从车辆图像特征中随机选取C个对象,作为初始的聚类中心{L1,L2,...,LC},其中,C表示类簇的数量;
2)计算每个车辆图像特征到各个聚类中心的距离,如下式所示:其中,f表示车辆图像特征,fi表示f的第i维特征,Lz表示第z个聚类中心,Lzi表示Lz的第i维特征,z=1,2,3,...,C,Dist(f,Lz)表示f到第z个聚类中心的距离,d表示特征维数;
3)将每个车辆图像特征归属于距离最近的聚类中心,形成C个类簇;
4)计算每个类簇的均值作为其聚类中心,更新C个聚类中心;
5)迭代步骤2‑4,直至聚类中心没有明显变化,得到最终的类簇,每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签;
S2,对每个所述车辆图像特征进行多次特征随机增强,得到多组随机增强特征,具体包括:随机选择每个所述车辆图像特征的第i维特征中的部分特征数据,并利用均匀分布对所述部分特征数据进行随机放缩,得到随机增强特征,公式如下:其中,fi表示车辆图像特征f的第i维特征,i是特征维数序号,d是特征维数,g=(g1,g2,Tg3,...,gd) 是f的随机增强特征,gi是随机增强特征g的第i维特征,RandMask表示产生随机选择特征维数序号集合的函数,RIDX表示其生成的随机选择的特征维数序号集合,该集合通过将从1到d的有序数组打乱后选择前γ%获得,因此RIDX的元素个数为 其中表示向下就近取整操作;RandScale表示利用均匀分布对所选择的特征数据进行随机放缩的函数,其中,Uniform(α,β)表示在区间[α,β]上的均匀随机分布,且α<1,β>1, 表示实数多维空间;
重复以上步骤,得到每个车辆图像特征对应的多组随机增强特征;根据多组所述随机增强特征计算随机增强后验类别概率,具体包括:根据所述随机增强特征计算后验类别概率,公式如下:
其中, 表示对车辆图像特征f的第k次随机增强特征, 表示实数多维空间,d为特征维数,m表示随机增强次数,FC表示全连接层,通过所述全连接层将输入的随机增强特k征g 投影为C维数据,C表示类簇的数量,随后利用Softmax函数层对C维数据进行归一化获k得后验类别概率q;
计算车辆图像特征f的第k次随机增强特征与车辆图像特征之间的相似度,公式如下:其中,f表示车辆图像特征, 表示车辆图像特征f的第k次随机增强特征,d为特征k k维数,m表示随机增强次数,s表示f和g之间的相似度;
根据所述相似度计算后验类别概率对应的权重系数,公式如下:
其中,e是自然常数,τ为温度参数,τ≥1;
根据所述后验类别概率及其对应的权重系数计算随机增强后验类别概率,公式如下:k k
其中,表示随机增强后验类别概率,q表示随机增强特征g对应的后验类别概率;
S3,基于所述随机增强后验类别概率对所述伪标签进行动态平滑,得到动态平滑伪标签,具体包括:利用随机增强后验类别概率计算赋权能量,公式如下:
其中,pz表示赋权能量第z维的取值,f表示车辆图像特征,Uz表示该车辆图像特征对应的图像属于第z个伪标签,记为 和 分别表示随机增强后验类别概率 的第z维的取值和第j维的取值, 表示车辆图像特征f对应的图像不属于第z个伪标签Uz,表示车辆图像特征f对应的图像不属于第j个伪标签Uj,z和j表示伪标签序号;
根据所述赋权能量计算得到动态平滑伪标签,公式如下:
其中,yz表示车辆图像特征f所对应的动态平滑伪标签的第z维的取值,Uz表示该车辆图像特征f对应的图像属于第z个伪标签,记为 0<ε<<1表示远小于1但大于0的常数,它保证当 时,对应的动态平滑伪标签的第z维yz的取值获得最大的峰值地位1‑ε,而当 时,对应的动态平滑伪标签的第z维yz的取值获得最小峰值,且使得全部所对应的伪标签的取值根据赋权能量划分ε而非均等划分,实现对伪标签的动态平滑;
S4,基于所述动态平滑伪标签构建损失函数,基于所述损失函数采用批量梯度下降法对所述车辆再辨识模型进行训练,更新车辆再辨识模型;
S5,重复步骤S1到S4,直到最大重复次数,获得经训练的车辆再辨识模型。
2.根据权利要求1所述的无监督车辆再辨识模型训练方法,其特征在于,所述损失函数为基于动态平滑伪标签的交叉熵损失函数Ls,公式如下:其中,B表示一批次的无标签车辆图像训练数据中车辆图像的总数量, 表示第b个车辆图像的动态平滑伪标签的第z维的取值, 表示第b个b
车辆图像特征f 通过所述全连接层投影为C维数据,随后利用Softmax函数层对C维数据进b行归一化后获得的后验类别概率, 表示h的第z维的取值,z=1,2,3,...,C。
3.一种无监督车辆再辨识方法,采用权利要求1‑2中任一项所述的无监督车辆再辨识模型训练方法训练得到的经训练的车辆再辨识模型,其特征在于,包括以下步骤:获取注册车辆图像和查询车辆图像,分别将所述注册车辆图像和查询车辆图像输入所述经训练的车辆再辨识模型,得到查询特征和注册特征,所述查询特征和注册特征均为车辆图像经由所述经训练的车辆再辨识模型中的特征提取单元的输出特征;
分别计算查询特征与注册特征之间的距离,并根据距离进行升序排序,选取排名靠前的注册特征所对应的注册车辆图像作为所述查询车辆图像对应的车辆再辨识结果。
4.一种无监督车辆再辨识模型训练装置,其特征在于,包括:
伪标签获取模块,被配置为获取无标签车辆图像训练数据,构建基于深度学习的车辆再辨识模型,将所述无标签车辆图像训练数据中每个车辆图像输入所述车辆再辨识模型,得到车辆图像特征,所述车辆再辨识模型包括特征提取单元、全连接层和Softmax函数层,所述车辆图像特征为所述特征提取单元的输出特征,对所述车辆图像特征进行聚类,得到所述无标签车辆图像训练数据中每个车辆图像对应的伪标签,具体包括:
1)从车辆图像特征中随机选取C个对象,作为初始的聚类中心{L1,L2,…,LC},其中,C表示类簇的数量;
2)计算每个车辆图像特征到各个聚类中心的距离,如下式所示:其中,f表示车辆图像特征,fi表示f的第i维特征,Lz表示第z个聚类中心,Lzi表示Lz的第i维特征,z=1,2,3,...,C,Dist(f,Lz)表示f到第z个聚类中心的距离,d表示特征维数;
3)将每个车辆图像特征归属于距离最近的聚类中心,形成C个类簇;
4)计算每个类簇的均值作为其聚类中心,更新C个聚类中心;
5)迭代步骤2‑4,直至聚类中心没有明显变化,得到最终的类簇,每个类簇内对应的车辆图像共同使用其类簇序号作为伪标签;
随机增强模块,被配置为对每个所述车辆图像特征进行多次特征随机增强,得到多组随机增强特征,具体包括:随机选择每个所述车辆图像特征的第i维特征中的部分特征数据,并利用均匀分布对所述部分特征数据进行随机放缩,得到随机增强特征,公式如下:其中,fi表示车辆图像特征f的第i维特征,i是特征维数序号,d是特征维数,g=(g1,g2,Tg3,...,gd) 是f的随机增强特征,gi是随机增强特征g的第i维特征,RandMask表示产生随机选择特征维数序号集合的函数,RIDX表示其生成的随机选择的特征维数序号集合,该集合通过将从1到d的有序数组打乱后选择前γ%获得,因此RIDX的元素个数为 其中表示向下就近取整操作;RandScale表示利用均匀分布对所选择的特征数据进行随机放缩的函数,其中,Uniform(α,β)表示在区间[α,β]上的均匀随机分布,且α<1,β>1, 表示实数多维空间;
重复以上步骤,得到每个车辆图像特征对应的多组随机增强特征;根据多组所述随机增强特征计算随机增强后验类别概率,具体包括:根据所述随机增强特征计算后验类别概率,公式如下:
其中, 表示对车辆图像特征f的第k次随机增强特征, 表示实数多维空间,d为特征维数,m表示随机增强次数,FC表示全连接层,通过所述全连接层将输入的随机增强特k征g 投影为C维数据,C表示类簇的数量,随后利用Softmax函数层对C维数据进行归一化获k得后验类别概率q;
计算车辆图像特征f的第k次随机增强特征与车辆图像特征之间的相似度,公式如下:其中,f表示车辆图像特征, 表示车辆图像特征f的第k次随机增强特征,d为特征k k维数,m表示随机增强次数,s表示f和g之间的相似度;
根据所述相似度计算后验类别概率对应的权重系数,公式如下:
其中,e是自然常数,τ为温度参数,τ≥1;
根据所述后验类别概率及其对应的权重系数计算随机增强后验类别概率,公式如下:k k
其中,表示随机增强后验类别概率,q表示随机增强特征g对应的后验类别概率;
动态平滑模块,被配置为基于所述随机增强后验类别概率对所述伪标签进行动态平滑,得到动态平滑伪标签,具体包括:利用随机增强后验类别概率计算赋权能量,公式如下:
其中,pz表示赋权能量第z维的取值,f表示车辆图像特征,Uz表示该车辆图像特征对应的图像属于第z个伪标签,记为 和 分别表示随机增强后验类别概率 的第z维的取值和第j维的取值, 表示车辆图像特征f对应的图像不属于第z个伪标签Uz,表示车辆图像特征f对应的图像不属于第j个伪标签Uj,z和j表示伪标签序号;
根据所述赋权能量计算得到动态平滑伪标签,公式如下:
其中,yz表示车辆图像特征f所对应的动态平滑伪标签的第z维的取值,Uz表示该车辆图像特征f对应的图像属于第z个伪标签,记为 0<ε<<1表示远小于1但大于0的常数,它保证当 时,对应的动态平滑伪标签的第z维yz的取值获得最大的峰值地位1‑ε,而当 时,对应的动态平滑伪标签的第z维yz的取值获得最小峰值,且使得全部所对应的伪标签的取值根据赋权能量划分ε而非均等划分,实现对伪标签的动态平滑;
训练模块,被配置为基于所述动态平滑伪标签构建损失函数,基于所述损失函数采用批量梯度下降法对所述车辆再辨识模型进行训练,更新车辆再辨识模型;
重复模块,被配置为重复执行伪标签获取模块至训练模块,直到最大重复次数,获得经训练的车辆再辨识模型。
5.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1‑2中任一所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1‑2中任一所述的方法。