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]	袁程胜1, 2, 陈金瑞1, 2, 徐晨维3, 刘庆程1, 2, 付章杰1, 2. 基于细粒度局部伪影的生成式图像检测[J]. 计算机工程与科学, 2025, 47(8): 1449-1458.
[2]	李莉, 张晴, 孔悠然, 苏仁嘉, 赵鑫. 基于生成对抗网络的恶意代码变体家族溯源方法[J]. 计算机工程与科学, 2025, 47(7): 1215-1225.
[3]	高志玲1, 赵新宇1, 2. 基于PKUSEG-Text-GCN的肿瘤疾病预测模型[J]. 计算机工程与科学, 2025, 47(7): 1303-1311.
[4]	陈旭, 陈子雄, 景永俊, 王叔洋, 宋吉飞. 基于双曲图卷积神经网络的切片级漏洞检测方法[J]. 计算机工程与科学, 2025, 47(5): 851-863.
[5]	杨春苗, 王杨, 韩力英, 孙赫彬. 基于生成对抗网络的跨模态图像情感感知描述[J]. 计算机工程与科学, 2025, 47(5): 894-901.
[6]	王莹, 杨青, 王翔宇, 张勇, . 基于非对称空间特征的脑电信号情感分析研究[J]. 计算机工程与科学, 2025, 47(5): 921-930.
[7]	李珍琪, 王强, 齐星云, 赖明澈, 赵言亢, 陆亿行, 黎渊. 轻量化卷积神经网络硬件加速设计及FPGA实现[J]. 计算机工程与科学, 2025, 47(4): 582-591.
[8]	张梦圆, 端阳, 王彬彬, 张蕾, 吴裔, 刘畅, 郭乃网, 程大伟. 基于深度对抗网络的动态图生成模型研究[J]. 计算机工程与科学, 2025, 47(4): 728-739.
[9]	李娇, 高磊怡, 张瑞欣, 吴越, 邓红霞. 基于脉冲注意力机制的轻量化面部超分重建方法[J]. 计算机工程与科学, 2025, 47(3): 494-503.
[10]	吉陈果, 贾海蓉, 裴意静, 段淑斐. 基于失匹配负波潜伏期优化的语音增强研究[J]. 计算机工程与科学, 2025, 47(3): 524-533.
[11]	刘拥民, 许成, 黄浩, 张钱垒, 赵俊杰, . 基于SAE和WGAN的入侵检测方法研究[J]. 计算机工程与科学, 2025, 47(2): 256-264.
[12]	许天佑, 高光勇. 基于可逆生成对抗网络的鲁棒图像隐藏[J]. 计算机工程与科学, 2025, 47(2): 288-297.
[13]	潘雨青, 于浩, 李峰. 基于加权非负矩阵分解的异常声音检测方法研究[J]. 计算机工程与科学, 2024, 46(8): 1425-1432.
[14]	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(7): 1311-1320.
[15]	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(5): 826-835.