论文部分内容阅读
本文充分运用数据增强相关技术和知识,提出了基于网络种群训练PBT的行人图像预处理增强技术与基于生成式对抗网络的生成式增强技术,实现了在不额外采集行人图像样本的情况下,增加样本的数量和多样性,提高行人重识别网络泛化性的目标。实验结果表明在Market-1501和Duke数据集上应用本文提出的增强方法,其行人重识别网络DenseNet-121和ResNet-50的泛化性均得到了比较明显的提升。本文所做的具体工作如下:首先,本文定义了每种变换包含幅值和概率两个参数的行人图像变换空间。提出了将多种图像变换技术与基于网络种群训练PBT算法的参数优化策略相结合的增强方法。实验结果表明该增强技术有效提高了DenseNet-121和ResNet-50泛化性,其在Duke上的测试结果re-mAP分别增长了6.51%、4.59%。其次,行人生成方法的研究中,本文将pix2pix的单一判别模式改成由三个判别器组成的多尺度判别模式,提出了基于条件输入的多尺度判别网络。相比pix2pix,改进后网络生成的行人更清晰。为进一步限定生成样本的分布,本文提出了基于图像对输入的循环生成网络,将cycleGAN生成器和判别器的单张图像输入模式改成由行人图像和姿态组成的图像对的输入模式,并在其生成器中添加跳转连接。相比cycleGAN,改进后的网络能生成具有原输入行人外貌信息的行人图像。然后,探究生成行人的质量和行人标签分配算法对增强结果影响的实验表明,相较于pix2pix和DCGAN,以生成行人质量较好的基于条件输入的多尺度判别网络为生成网络的增强效果最好。以半监督学习中的多伪正则化标签算法MPRL为基于条件输入的多尺度判别网络生成的无标签行人分配虚拟标签,其增强效果优于离群的标签平滑正则化方法LSRO,以监督学习中的标签正则化算法LSR为基于图像对输入的循环生成网络生成的有特定身份信息行人分配虚拟标签,其增强效果比独热算法one-hot好。最后,本文在Market-1501和Duke数据集上同时应用预处理增强与生成式增强的实验结果表明结合后的增强技术进一步提高了DenseNet-121和ResNet-50网络的泛化性。同时使用两种增强技术后,DenseNet-121在Market-1501和Duke测试集上的识别结果re-top-1分别提高到93.82%、86.40%,识别结果re-mAP分别提高到90.27%、81.59%。