基于CNN的改进行人重识别技术

计算机工程与科学

基于CNN的改进行人重识别技术

熊炜1,2，冯川1，熊子婕1，王娟1,2，刘敏1,2，曾春艳1,2

（1.湖北工业大学电气与电子工程学院，湖北武汉 430068；

2.湖北工业大学太阳能高效利用湖北省协同创新中心，湖北武汉 430068）

收稿日期:2018-06-05 修回日期:2018-09-06 出版日期:2019-04-25 发布日期:2019-04-25
基金资助:
国家自然科学基金（61501178,61571182,61601177）；湖北省教育厅科学技术研究计划重点项目（D20161404）；太阳能高效利用湖北省协同创新中心开放基金（HBSKFZD201411）

Improved pedestrian re-identification based on CNN

XIONG Wei1,2，FENG Chuan1，XIONG Zijie1，WANG Juan1,2，LIU Min1,2，ZENG Chunyan1,2

（1.School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068;

2.Hubei Collaborative Innovation Center for HighEfficiency Utilization of Solar Energy,

Hubei University of Technology,Wuhan 430068,China）

Received:2018-06-05 Revised:2018-09-06 Online:2019-04-25 Published:2019-04-25

摘要/Abstract

摘要：

针对行人重识别研究中训练样本的不足，为提高识别精度及泛化能力，提出一种基于卷积神经网络的改进行人重识别方法。首先对训练数据集进行扩充，使用生成对抗网络无监督学习方法生成无标签图像；然后与原数据集联合作半监督卷积神经网络训练，通过构建一个Siamese网络，结合分类模型和验证模型的特点进行训练；最后加入无标签图像类别分布方法，计算交叉熵损失来进行相似度量。实验结果表明，在Market-1501、CUHK03和DukeMTMCreID数据集上，该方法相比原有的Siamese方法在Rank-1和mAP等性能指标上有近3~5个百分点的提升。当样本较少时，该方法具有一定应用价值。

关键词: 行人重识别, 卷积神经网络, 生成对抗网络, 交叉熵, Siamese

Abstract:

For the lack of training samples in pedestrian reidentification (reID) research, we propose a pedestrian re-ID method based on convolutional neural network (CNN) to improve the recognition accuracy and generalization ability. Firstly, we employ the unsupervised learning method for the generative adversarial network to generate unlabeled images, so the training data set is expanded. Secondly, the original data set is collaborated to perform semi-supervised CNN training, and a Siamese network is constructed to perform training according to the features of the identification model and the verification model. Finally, the unlabeled image category distribution method is introduced, and the cross entropy loss is calculated to perform similarity measurement. Experiments on the Market1501, CUHK03, and DukeMTMC-reID datasets show that the proposed method has a nearly 3% to 5% improvement in performance indicators such as rank1 and mAP in comparison with the original Siamese method. The proposed method has certain application value in small sample scenarios.pedestrian re-identification;convolutional neural network (CNN);generative adversarial network (GAN);cross entropy;Siamese

Key words: pedestrian re-identification, convolutional neural network (CNN), generative adversarial network (GAN), cross entropy, Siamese

熊炜1,2，冯川1，熊子婕1，王娟1,2，刘敏1,2，曾春艳1,2. 基于CNN的改进行人重识别技术[J]. 计算机工程与科学.

XIONG Wei1,2，FENG Chuan1，XIONG Zijie1，WANG Juan1,2，LIU Min1,2，ZENG Chunyan1,2. Improved pedestrian re-identification based on CNN[J]. Computer Engineering & Science.

[1]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[2]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[3]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[4]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[5]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[6]	秦文强, 吴仲城, 张俊, 李芳, . 基于异构平台的卷积神经网络加速系统设计[J]. 计算机工程与科学, 2024, 46(01): 12-20.
[7]	周理, 赵祉乔, 潘国腾, 铁俊波, 赵王. 基于RISC-V的图卷积神经网络加速器设计[J]. 计算机工程与科学, 2023, 45(12): 2113-2120.
[8]	白志远, 杨智翔, 栾鸿康, 孙玉宝, . 耦合单词与句子级文本特征的图像对抗级联生成[J]. 计算机工程与科学, 2023, 45(12): 2186-2196.
[9]	黄瑶, 潘丽丽, 熊思宇, 蒋湘辉, 马俊勇. 基于生成对抗网络与多头注意力的文本隐写术[J]. 计算机工程与科学, 2023, 45(10): 1789-1796.
[10]	任拓, 闫玮, 况立群, 谢剑斌, 谌钟毓, 高峰, 郭锐, 束伟, 谢昌颐. 基于多对抗性鉴别网络的人脸活体检测[J]. 计算机工程与科学, 2023, 45(09): 1611-1620.
[11]	余子丞, 凌捷. 基于Transformer和多特征融合的DGA域名检测方法[J]. 计算机工程与科学, 2023, 45(08): 1416-1423.
[12]	刘俊奇, 涂文轩, 祝恩. 图卷积神经网络综述[J]. 计算机工程与科学, 2023, 45(08): 1472-1481.
[13]	易啸, 马胜, 肖侬. 深度学习加速器在不同剪枝策略下的运行优化[J]. 计算机工程与科学, 2023, 45(07): 1141-1148.
[14]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[15]	排日旦·阿布都热依木, 吐尔地·托合提, 艾斯卡尔·艾木都拉, . 基于深度学习的实体关系抽取方法研究[J]. 计算机工程与科学, 2023, 45(05): 895-902.