(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210354284.9 (22)申请日 2022.04.06 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 陈弟虎　叶培钧　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 梁嘉琦 (51)Int.Cl. G06V 40/10(2022.01) G06N 20/20(2019.01) G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于通道剪枝的行 人重识别方法 (57)摘要 本发明提供的一种基于通道剪枝的行人重 识别方法， 该方法主要包括以下步骤： 获取行人 图像， 根据行人图像构建得到第一训练数据集； 根据第一训练数据集进行训练得到行人重识别 模型； 通过行人重识别模型进行行人重识别； 方 法避免了复杂的通道裁剪过程， 能够在一开始就 一步到位确定网络结构， 并能利用已有的预训练 权值进行初始化； 并通过加入解压层的概念， 我 们得以绕开特征尺寸不匹配的问题， 应用集成学 习， 对模型进行压缩， 以此实现了人重识别算法 的轻量化， 可广泛应用于 计算机视觉技术领域。 权利要求书2页 说明书7页 附图1页 CN 114821636 A 2022.07.29 CN 114821636 A 1.一种基于通道剪枝的行 人重识别方法， 其特 征在于， 包括以下步骤： 获取行人图像， 根据所述行 人图像构建得到第一训练数据集； 根据所述第一训练数据集进行训练得到行 人重识别模型； 通过所述行人重识别模型进行 行人重识别； 其中， 所述训练数据集包括第一训练数据集和第二训练数据集； 根据所述训练数据集 进行训练得到行 人重识别模型这 一步骤， 包括： 加载初始模型在所述第一训练数据集上的第一预训练权 重得到学生网络模型； 加载在所述第二训练数据集上的第二预训练权 重得到教师网络模型； 在所述学生网络模型中插入监督层， 插入监督层后的所述学生网络模型的通道数与 所 述教师网络模型的通道数相同； 通过所述教师网络模型对所述 监督层的输出 特征进行监 督， 得到监 督损失； 根据所述监督损失构建损失函数， 根据所述损失函数对所述学生网络模型进行监督训 练得到所述行 人重识别模型。 2.根据权利要求1所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述根据 所述训练数据集进行训练得到行 人重识别模型这 一步骤， 其还 包括： 对所述初始模型的输出通道进行裁 剪得到所述学生网络模型。 3.根据权利要求1所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 在通过所 述教师网络模型对所述监督层的输出特征进行监督， 得到监督损失这一步骤之后， 所述行 人重识别方法包括： 获取模型训练中的三元组损失以及交叉熵损失； 通过对所述监督损 失、 所述三元组损 失以及所述交叉熵损 失进行求和， 构建得到所述 损失函数。 4.根据权利要求1所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述通过 所述教师网络模型对所述 监督层的输出 特征进行监 督， 得到监 督损失这 一步骤， 包括： 通过所述监督层从所述学生网络模型中提取 得到若干第一中间特 征； 对所述第一中间特 征进行解压； 将解压后的所述第 一中间特征与 所述教师网络模型中对应的第 二中间特征进行对比， 计算得到均方误差， 根据所述均方误差得到所述 监督损失。 5.根据权利要求4所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述均方 误差的计算公式为： 其中， i代表第i个监督层， t代表特征来自于教师网络模型， s代表特征来自于学生网络 模型， ft,i是来自于教师网络模型的第二中间特征张量， fs,i是来自于学生网络模型的第一 中间特征张量， c为通道数量， h表示竖直方向上像素数量， w表示水平方向上像素数量， l＝ 1,2,3,…n， j＝1,2,3, …n， k＝1,2,3, …n， n为正整数。 6.根据权利要求4所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述对所 述第一中间特 征进行解压这 一步骤， 包括：权　利　要　求　书 1/2 页 2 CN 114821636 A 2对所述第一中间特 征的通道进行解压， 保持所述第一中间特 征的特征尺寸不变。 7.根据权利要求1所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述获取 行人图像， 根据所述行 人图像构建得到第一训练数据集 这一步骤， 包括： 获取原始视频文件和/或视频流， 通过高斯混合模型提取得到所述原始视频文件和/或 所述视频流中的运动前 景； 通过行人检测器从所述 运动前景的视频帧中提取 得到若干行 人图像； 根据若干所述行 人图像构建得到所述训练数据集。 8.根据权利要求1 ‑7任一项所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述监督层为1×1卷积结构。 9.根据权利要求1 ‑7任一项所述的一种基于通道剪枝的行人重识别方法， 其特征在于， 所述监督层设置在所述学生网络模型中特 征尺寸将改变的位置 。 10.根据权利要求1 ‑7任一项所述的一种基于通道剪枝的行人重识别方法， 其特征在 于， 所述行 人重识别方法， 还 包括以下步骤： 加载在所述第二训练数据集上的第二预训练权 重得到若干个所述教师网络模型。权　利　要　求　书 2/2 页 3 CN 114821636 A 3