CN116246349A - 一种基于渐进式子域挖掘的单源域领域泛化步态识别方法 - Google Patents

一种基于渐进式子域挖掘的单源域领域泛化步态识别方法 Download PDF

Info

Publication number
CN116246349A
CN116246349A CN202310498977.XA CN202310498977A CN116246349A CN 116246349 A CN116246349 A CN 116246349A CN 202310498977 A CN202310498977 A CN 202310498977A CN 116246349 A CN116246349 A CN 116246349A
Authority
CN
China
Prior art keywords
gait recognition
domain
subdomain
features
gait
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310498977.XA
Other languages
English (en)
Other versions
CN116246349B (zh
Inventor
单彩峰
王玚
黄延
陈宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310498977.XA priority Critical patent/CN116246349B/zh
Publication of CN116246349A publication Critical patent/CN116246349A/zh
Application granted granted Critical
Publication of CN116246349B publication Critical patent/CN116246349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，属于步态识别技术领域，该方法为：在多个域中分别采集独立的数据集；构建渐进式子域挖掘步态识别框架，并嵌入GaitPart步态识别网络模型，构成步态识别模型；对步态识别模型进行基础训练；设计子域信息挖掘模块，根据聚类结果将源域划分为多个子域和异常值；对多个子域进行域泛化训练；在多个目标域上测试训练好的模型参数，评估步态识别模型最终的泛化性能。本发明采用无监督聚类将单个大域分解成多个小域，并设计两个损失函数约束步态识别网络提取域不变特征，减少不同域之间的域间隙，提高步态识别网络的域泛化能力。

Description

一种基于渐进式子域挖掘的单源域领域泛化步态识别方法
技术领域
本发明属于步态识别技术领域，具体涉及一种基于渐进式子域挖掘的单源域领域泛化步态识别方法。
背景技术
步态识别已经被研究多年，并且有各种不同的方法被提出。受益于深度学习的快速发展，现有的步态识别方法大多使用深度神经网络来提取识别身份的深度特征，并使用全监督学习来训练网络。根据描述人体的数据类型，现存方法可以被分为基于模型的方法和基于外观的方法。基于模型的方法使用二维或三维骨架数据来构建个体的步态特征。LiX等人在训练时使用多个视角的骨架数据来提高模型对视角变化的鲁棒性。基于外观的方法通常使用分割好的步态序列来构建步态特征。Chao H等人提出的GaitSet网络，认为步态序列的顺序对步态特征的构建没有影响，以此实现了多视角序列的识别。Li X等人设计了一个解耦网络，将步态特征与无关特征分类，实现特征对遮挡的鲁棒性。当在相同场景进行训练和测试时，上述方法都表现出了良好的性能。在这种设定下，不存在域泛化问题。模型很容易过拟合数据收集场景的分布，以获取更好的性能。自然地，当考虑域泛化性能时，由于场景的变化，上述模型的性能会大打折扣。为了更好的增强模型的泛化能力，Zheng J等人提出了TraND框架，TraND通过领域选择和邻域发现来弥合源域与目标域之间的域偏移，使模型在目标域拥有较好的性能。
上述算法使用全监督方法或UDA方法，当需要在新场景应用时，仍然需要收集数据和更新模型。为此，本发明提出了一个单源域领域泛化步态识别框架，该框架仅需要一个源域，通过子域信息挖掘，将单个源域分割成多个子域，同时使用两个域泛化损失约束模型学习域不变特征，有效提高模型的域泛化能力。
发明内容
针对现有技术中存在的上述问题，本发明提出了一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，设计合理，解决了现有技术的不足，具有良好的效果。
一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，包括以下步骤：
步骤1：在多个域中分别采集独立的数据集；
步骤2：构建渐进式子域挖掘步态识别框架，并嵌入步态识别网络模型，从而构成一个步态识别模型，该步态识别模型由一个特征提取器
Figure SMS_1
和分类器
Figure SMS_2
组成；
步骤3：对步态识别模型进行基础训练，使其具有基本的步态特征提取能力；
步骤4、设计子域信息挖掘模块SIM，SIM使用
Figure SMS_3
提取源域所有样本的特征，并计算每个特征之间的欧式距离，其次使用无监督聚类方法DBSCAN对提取的特征进行聚类，根据聚类结果将源域划分为多个子域
Figure SMS_4
和异常值
Figure SMS_5
；
步骤5：对多个子域
Figure SMS_6
进行域泛化训练；
步骤6：在多个目标域
Figure SMS_7
上测试训练好的模型参数，评估步态识别模型最终的泛化性能。
进一步地，所述步骤1具体包括：在N个不同域中录制步态视频，使用预处理算法提取步态轮廓图，并统一图像大小为64×44，由此得到多个数据集：
Figure SMS_8
，每个数据集包括多个样本，一个样本为一个步态序列，其中一个数据集作为训练集
Figure SMS_9
，其余数据集作为测试集
Figure SMS_10
。
进一步地，所述步骤2中，步态识别网络模型为GaitSet、GaitPart或GaitGL模型。
进一步地，所述步骤3中，每次基础训练过程为：每个步态序列随机抽取30帧，按照时间顺序输入步态识别模型，使用三元组损失
Figure SMS_11
约束
Figure SMS_12
，交叉熵损失
Figure SMS_13
约束
Figure SMS_14
，使用
Figure SMS_15
与
Figure SMS_16
的和作为基础训练的总损失
Figure SMS_17
，如下式所示：
Figure SMS_18
；
Figure SMS_19
的表达式为：
Figure SMS_20
；
其中，
Figure SMS_22
为一个迷你批中的样本数，
Figure SMS_24
代表迷你批中的第
Figure SMS_25
个样本由
Figure SMS_26
提取的特征，
Figure SMS_27
，
Figure SMS_28
，
Figure SMS_29
分别代表锚点的特征，与锚点标签相同的另一样本的特征，与锚点标签不同的另一样本的特征；
Figure SMS_21
代表两个特征之间的欧氏距离，
Figure SMS_23
是一个手工指定的边距；
Figure SMS_30
的表达式为：
Figure SMS_31
；
其中，
Figure SMS_32
为迷你批中第
Figure SMS_33
个样本的One-Hot标签；
使用Adam优化器训练M次，得到最后一次的步态识别模型参数
Figure SMS_34
。
进一步地，所述步骤4中，源域为训练集
Figure SMS_35
，目标域为测试集
Figure SMS_36
，DBSCAN算法包括两个关键参数：最少样本数和最大邻域，最少样本数设置为X，最大邻域为前
Figure SMS_37
小个距离的平均值
Figure SMS_38
，如下式所示：
Figure SMS_39
。
进一步地，所述步骤5中，每次域泛化训练过程包括两步：
第一步是首先在整个源域
Figure SMS_40
中采样，使用
Figure SMS_41
更新步态识别模型，其次在划分出的子域
Figure SMS_42
中进行均匀采样；
第二步是使用域信息缓解损失
Figure SMS_43
和域同质化损失
Figure SMS_44
共同约束
Figure SMS_45
，使
Figure SMS_46
提取域不变特征，如下式所示：
Figure SMS_47
；
Figure SMS_48
的表达式为：
Figure SMS_49
；
其中，
Figure SMS_50
表示子域的个数，
Figure SMS_51
表示第
Figure SMS_52
个子域在迷你批中的样本数，
Figure SMS_53
表示第
Figure SMS_54
个子域的域特征；
使用整个子域所有特征的平均值来估算域特征，如下式所示：
Figure SMS_55
；
其中，
Figure SMS_56
表示第
Figure SMS_57
个子域的所有样本数；
Figure SMS_58
的表达式为：
Figure SMS_59
；
其中，
Figure SMS_60
、
Figure SMS_61
、
Figure SMS_62
分别代表锚点的特征、锚点的域间负样本的特征、锚点的域内负样本的特征，
Figure SMS_63
是一个手工指定的边距；
其中，
Figure SMS_64
、
Figure SMS_65
、
Figure SMS_66
分别代表锚点的特征、锚点的域间负样本的特征、锚点的域内负样本的特征，
Figure SMS_67
是一个手工指定的边距；
使用SGD优化器训练N次，并且每a次训练执行一次步骤S4，更新步骤4中子域的划分，保留最后一次训练的步态识别模型参数
Figure SMS_68
。
本发明带来的有益技术效果：
1）相比于现有步态识别网络，本发明对步态识别网络域跨域识别提出了有效的、针对性的训练策略。主要设计了两个域泛化损失约束步态识别网络提取域不变特征，有效减少了步态识别网络提取的特征中的域信息，提高了步态识别网络跨域能力；
2）由于单源域领域泛化有且仅有一个源域用于训练，为此本发明提出SIM模块。SIM模块可以根据样本特征的相似程度将一个域划分为多个子域，使得单个源域可以应用多源域领域泛化方法。
附图说明
图1为本发明中基于渐进式子域挖掘的单源域领域泛化步态识别框架流程图。
图2为本发明中子域信息挖掘模块流程图。
图3为子域信息挖掘模块第一次运行时挖掘出子域的分布与数量结果图。
图4为子域信息挖掘模块第五次运行时挖掘出子域的分布与数量结果图。
图5为子域信息挖掘模块第十次运行时，挖掘出子域的分布与数量结果图。
图6为训练过程中每次执行子域挖掘模块后各个子域的样本数量结果图。
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明：
下面结合具体实施例对本发明的具体实施方式做进一步说明：
一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，如图1所示，包括以下步骤：
步骤1：在多个域中分别采集独立的数据集；
步骤1具体包括：在N个不同域中录制步态视频，使用预处理算法提取步态轮廓图，并统一图像大小为64×44，由此得到多个数据集：
Figure SMS_70
，每个数据集包括多个样本，一个样本为一个步态序列，其中一个数据集作为训练集
Figure SMS_71
，其余数据集作为测试集
Figure SMS_72
。
步骤2：构建渐进式子域挖掘步态识别框架，并嵌入步态识别网络模型，从而构成一个步态识别模型，该步态识别模型由一个特征提取器
Figure SMS_73
和分类器
Figure SMS_74
组成；
其中，步态识别网络模型为GaitSet、GaitPart或GaitGL模型。
步骤3：对步态识别模型进行基础训练，使其具有基本的步态特征提取能力；
步骤3中，每次基础训练过程为：每个步态序列随机抽取30帧，按照时间顺序输入步态识别模型，使用三元组损失
Figure SMS_75
约束
Figure SMS_76
，交叉熵损失
Figure SMS_77
约束
Figure SMS_78
，使用
Figure SMS_79
与
Figure SMS_80
的和作为基础训练的总损失
Figure SMS_81
，如下式所示：
Figure SMS_82
；
由于三元组损失能够有效较小类内距离，增加类间距离，如下式：
Figure SMS_83
；
其中，
Figure SMS_85
为一个迷你批中的样本数，
Figure SMS_86
代表迷你批中的第
Figure SMS_87
个样本由
Figure SMS_88
提取的特征，
Figure SMS_89
，
Figure SMS_90
，
Figure SMS_91
分别代表锚点的特征，与锚点标签相同的另一样本的特征，与锚点标签不同的另一样本的特征；
Figure SMS_84
代表两个特征之间的欧氏距离，
Figure SMS_92
是一个手工指定的边距，将其设置为0.2；
交叉熵损失
Figure SMS_93
可以有效提升分类器的准确率，如下式所示：
Figure SMS_94
；
其中，
Figure SMS_95
为迷你批中第
Figure SMS_96
个样本的One-Hot标签；
使用Adam优化器训练M=60000次，学习率设置为1×10-5，得到最后一次的步态识别模型参数
Figure SMS_97
。
步骤4、为了更好的将单个域模拟成多个域，设计子域信息挖掘模块SIM，如图2所示，SIM使用
Figure SMS_98
提取源域所有样本的特征，源域为训练集
Figure SMS_99
，目标域为测试集
Figure SMS_100
，计算每个特征之间的欧式距离，其次使用无监督聚类方法DBSCAN对提取的特征进行聚类，根据聚类结果将源域划分为多个子域
Figure SMS_101
和异常值
Figure SMS_102
；
DBSCAN算法包括两个关键参数：最少样本数和最大邻域，最少样本数设置为1500，最大邻域为前
Figure SMS_103
小个距离的平均值
Figure SMS_104
，将
Figure SMS_105
设置为4×107，如下式所示：
Figure SMS_106
。
步骤5：获取多个子域
Figure SMS_107
后，进行域泛化训练，每次域泛化训练过程包括两步：
第一步是首先在整个源域
Figure SMS_108
中采样，使用
Figure SMS_109
更新步态识别模型，这一步是为了保持
Figure SMS_110
提取具有辨别力的步态特征，其次在划分出的子域
Figure SMS_111
中进行均匀采样，保证迷你批中每个子域中样本数相同；
第二步是使用域信息缓解损失
Figure SMS_112
和域同质化损失
Figure SMS_113
共同约束
Figure SMS_114
，使
Figure SMS_115
提取域不变特征，如下式所示：
Figure SMS_116
；
Figure SMS_117
通过约束样本特征与域特征正交，使
Figure SMS_118
提取的特征与域无关，如下式所示：
Figure SMS_119
；
其中，
Figure SMS_120
表示子域的个数，
Figure SMS_121
表示第
Figure SMS_122
个子域在迷你批中的样本数，
Figure SMS_123
表示第
Figure SMS_124
个子域的域特征；
使用整个子域所有特征的平均值来估算域特征，如下式所示：
Figure SMS_125
；
其中，
Figure SMS_126
表示第
Figure SMS_127
个子域的所有样本数；
Figure SMS_128
通过拉近域间负样本与域内负样本的距离，使不同域的分布趋于同质，如下式所示：
Figure SMS_129
；
其中，
Figure SMS_130
、
Figure SMS_131
、
Figure SMS_132
分别代表锚点的特征、锚点的域间负样本的特征、锚点的域内负样本的特征，
Figure SMS_133
是一个手工指定的边距，将其设置为0.2；
使用SGD优化器训练20000次，学习率设置为1×10-5，动量设置为0.9，并且每2000次训练执行一次步骤S4，更新步骤4中子域的划分，保留最后一次训练的步态识别模型参数
Figure SMS_134
。
图3到图5分别展示了第1次、第5次、第10次执行子域挖掘模块后，子域划分的情况，图6则是每次执行子域挖掘模块后，各个子域的样本数量以及所有子域样本数量的和。可以明显看出，随着训练的进行，子域(3)的样本数量逐渐减少直至消失，以及子域（1）和子域（2）随着子域挖掘模块的执行样本数在逐渐减少，说明了本发明中的步态识别模型可以有效提取域不变特征。
步骤6：在多个目标域
Figure SMS_135
上测试训练好的模型参数，评估步态识别模型最终的泛化性能。
为了进一步验证本发明带来的效果，在步骤2中分别采用GaitSet、GaitPart或GaitGL三个步态识别网络模型，经过本发明中的训练方法得到三个步态识别模型PSIMGaitSet、PSIMGaitPart，PSIMGaitGL，并通过表1、表2、表3展示了使用GaitSet、GaitPart、GaitGL三个步态识别网络模型与使用本发明训练方法再进行跨域后的步态识别模型PSIMGaitSet、PSIMGaitPart，PSIMGaitGL，在CASIA-B和OU-MVLP数据集上不同条件下直接跨域进行测试的对比结果。
表1：在CASIA-B和OU-MVLP数据集上包含自身视角下的识别准确率对比结果；
Figure SMS_136
表2：在CASIA-B数据集上排除自身视角后，在多个行走条件、多个目标视角下的识别准确率对比结果；
Figure SMS_137
表3：在OU-MVLP数据集上排除自身视角后，在多个目标视角下的识别准确率对比结果；
Figure SMS_138
通过表1、表2、表3可以明显看出使用本发明训练的步态识别模型在多个数据集的不同条件下均可以达到较原模型更优的结果。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，包括以下步骤：
步骤1：在多个域中分别采集独立的数据集；
步骤2：构建渐进式子域挖掘步态识别框架，并嵌入步态识别网络模型，从而构成一个步态识别模型，该步态识别模型由一个特征提取器
Figure QLYQS_1
和分类器
Figure QLYQS_2
组成；
步骤3：对步态识别模型进行基础训练，使其具有基本的步态特征提取能力；
步骤4、设计子域信息挖掘模块SIM，SIM使用
Figure QLYQS_3
提取源域所有样本的特征，并计算每个特征之间的欧式距离，其次使用无监督聚类方法DBSCAN对提取的特征进行聚类，根据聚类结果将源域划分为多个子域
Figure QLYQS_4
和异常值
Figure QLYQS_5
；
步骤5：对多个子域
Figure QLYQS_6
进行域泛化训练；
步骤6：在多个目标域
Figure QLYQS_7
上测试训练好的模型参数，评估步态识别模型最终的泛化性能。
2.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤1具体包括：在N个不同域中录制步态视频，使用预处理算法提取步态轮廓图，并统一图像大小为64×44，由此得到多个数据集：
Figure QLYQS_8
，每个数据集包括多个样本，一个样本为一个步态序列，其中一个数据集作为训练集
Figure QLYQS_9
，其余数据集作为测试集
Figure QLYQS_10
。
3.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤2中，步态识别网络模型为GaitSet、GaitPart或GaitGL模型。
4.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤3中，每次基础训练过程为：每个步态序列随机抽取30帧，按照时间顺序输入步态识别模型，使用三元组损失
Figure QLYQS_11
约束
Figure QLYQS_12
，交叉熵损失
Figure QLYQS_13
约束
Figure QLYQS_14
，使用
Figure QLYQS_15
与
Figure QLYQS_16
的和作为基础训练的总损失
Figure QLYQS_17
，如下式所示：
Figure QLYQS_18
；
Figure QLYQS_19
的表达式为：
Figure QLYQS_20
；
其中，
Figure QLYQS_22
为一个迷你批中的样本数，
Figure QLYQS_24
代表迷你批中的第
Figure QLYQS_25
个样本由
Figure QLYQS_26
提取的特征，
Figure QLYQS_27
，
Figure QLYQS_28
，
Figure QLYQS_29
分别代表锚点的特征，与锚点标签相同的另一样本的特征，与锚点标签不同的另一样本的特征；
Figure QLYQS_21
代表两个特征之间的欧氏距离，
Figure QLYQS_23
是一个手工指定的边距；
Figure QLYQS_30
的表达式为：
Figure QLYQS_31
；
其中，
Figure QLYQS_32
为迷你批中第
Figure QLYQS_33
个样本的One-Hot标签；
使用Adam优化器训练M次，得到最后一次的步态识别模型参数
Figure QLYQS_34
。
5.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤4中，源域为训练集
Figure QLYQS_35
，目标域为测试集
Figure QLYQS_36
，DBSCAN算法包括两个关键参数：最少样本数和最大邻域，最少样本数设置为X，最大邻域为前
Figure QLYQS_37
小个距离的平均值
Figure QLYQS_38
，如下式所示：
Figure QLYQS_39
。
6.根据权利要求1所述的一种基于渐进式子域挖掘的单源域领域泛化步态识别方法，其特征在于，所述步骤5中，每次域泛化训练过程包括两步：
第一步是首先在整个源域
Figure QLYQS_40
中采样，使用
Figure QLYQS_41
更新步态识别模型，其次在划分出的子域
Figure QLYQS_42
中进行均匀采样；
第二步是使用域信息缓解损失
Figure QLYQS_43
和域同质化损失
Figure QLYQS_44
共同约束
Figure QLYQS_45
，使
Figure QLYQS_46
提取域不变特征，如下式所示：
Figure QLYQS_47
；
Figure QLYQS_48
的表达式为：
Figure QLYQS_49
；
其中，
Figure QLYQS_50
表示子域的个数，
Figure QLYQS_51
表示第
Figure QLYQS_52
个子域在迷你批中的样本数，
Figure QLYQS_53
表示第
Figure QLYQS_54
个子域的域特征；
使用整个子域所有特征的平均值来估算域特征，如下式所示：
Figure QLYQS_55
；
其中，
Figure QLYQS_56
表示第
Figure QLYQS_57
个子域的所有样本数；
Figure QLYQS_58
的表达式为：
Figure QLYQS_59
；
其中，
Figure QLYQS_60
、
Figure QLYQS_61
、
Figure QLYQS_62
分别代表锚点的特征、锚点的域间负样本的特征、锚点的域内负样本的特征，
Figure QLYQS_63
是一个手工指定的边距；
其中，
Figure QLYQS_64
、
Figure QLYQS_65
、
Figure QLYQS_66
分别代表锚点的特征、锚点的域间负样本的特征、锚点的域内负样本的特征，
Figure QLYQS_67
是一个手工指定的边距；
使用SGD优化器训练N次，并且每a次训练执行一次步骤S4，更新步骤4中子域的划分，保留最后一次训练的步态识别模型参数
Figure QLYQS_68
。
CN202310498977.XA 2023-05-06 2023-05-06 一种基于渐进式子域挖掘的单源域领域泛化步态识别方法 Active CN116246349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310498977.XA CN116246349B (zh) 2023-05-06 2023-05-06 一种基于渐进式子域挖掘的单源域领域泛化步态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310498977.XA CN116246349B (zh) 2023-05-06 2023-05-06 一种基于渐进式子域挖掘的单源域领域泛化步态识别方法

Publications (2)

Publication Number Publication Date
CN116246349A true CN116246349A (zh) 2023-06-09
CN116246349B CN116246349B (zh) 2023-08-15

Family

ID=86635277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310498977.XA Active CN116246349B (zh) 2023-05-06 2023-05-06 一种基于渐进式子域挖掘的单源域领域泛化步态识别方法

Country Status (1)

Country Link
CN (1) CN116246349B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173476A (zh) * 2023-09-05 2023-12-05 北京交通大学 一种单源域泛化行人再识别方法
CN118379799A (zh) * 2024-06-21 2024-07-23 山东大学 基于解耦和鉴别联合学习的跨视角步态识别方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931619A (zh) * 2020-07-31 2020-11-13 杭州电子科技大学 一种基于优化聚类算法的跨域步态重识别方法
US20210042356A1 (en) * 2019-08-06 2021-02-11 International Business Machines Corporation Data generalization for predictive models
WO2021097774A1 (en) * 2019-11-21 2021-05-27 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for multi-source domain adaptation for semantic segmentation
CN113505719A (zh) * 2021-07-21 2021-10-15 山东科技大学 基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统及方法
CN113642547A (zh) * 2021-10-18 2021-11-12 中国海洋大学 一种基于密度聚类的无监督域适应人物重识别方法及系统
WO2022001489A1 (zh) * 2020-06-28 2022-01-06 北京交通大学 一种无监督域适应的目标重识别方法
CN114463848A (zh) * 2022-01-28 2022-05-10 浙江大学 一种基于记忆增强的渐进式学习步态识别方法
CN114580492A (zh) * 2021-12-03 2022-06-03 北京航空航天大学 一种基于互学习的跨域行人重识别方法
CN114821809A (zh) * 2022-05-25 2022-07-29 东南大学 基于标记分布学习的多源域领域泛化行人重识别系统及方法
CN115690534A (zh) * 2022-10-26 2023-02-03 中国科学院计算技术研究所 一种基于迁移学习的图像分类模型的训练方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210042356A1 (en) * 2019-08-06 2021-02-11 International Business Machines Corporation Data generalization for predictive models
WO2021097774A1 (en) * 2019-11-21 2021-05-27 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for multi-source domain adaptation for semantic segmentation
WO2022001489A1 (zh) * 2020-06-28 2022-01-06 北京交通大学 一种无监督域适应的目标重识别方法
CN111931619A (zh) * 2020-07-31 2020-11-13 杭州电子科技大学 一种基于优化聚类算法的跨域步态重识别方法
CN113505719A (zh) * 2021-07-21 2021-10-15 山东科技大学 基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统及方法
CN113642547A (zh) * 2021-10-18 2021-11-12 中国海洋大学 一种基于密度聚类的无监督域适应人物重识别方法及系统
CN114580492A (zh) * 2021-12-03 2022-06-03 北京航空航天大学 一种基于互学习的跨域行人重识别方法
CN114463848A (zh) * 2022-01-28 2022-05-10 浙江大学 一种基于记忆增强的渐进式学习步态识别方法
CN114821809A (zh) * 2022-05-25 2022-07-29 东南大学 基于标记分布学习的多源域领域泛化行人重识别系统及方法
CN115690534A (zh) * 2022-10-26 2023-02-03 中国科学院计算技术研究所 一种基于迁移学习的图像分类模型的训练方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HAN-KAI HSU 等: "Progressive Domain Adaptation for Object Detection", 《2020 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》, pages 738 - 746 *
XINYU ZHANG 等: "Self-Training With Progressive Augmentation for Unsupervised Cross-Domain Person Re-Identification", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》, pages 8221 - 8230 *
XU SONG 等: "Distilled light GaitSet: Towards scalable gait recognition", 《PATTERN RECOGNITION LETTERS》, vol. 157, pages 27 - 34 *
YAOYU LI 等: "Intra-Domain Consistency Enhancement for Unsupervised Person Re-Identification", 《IEEE TRANSACTIONS ON MULTIMEDIA》, vol. 24, pages 415 - 425, XP011898301, DOI: 10.1109/TMM.2021.3052354 *
戴阳: "基于无监督域不变特征学习的行人重识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2023, no. 1, pages 138 - 1295 *
李琳: "面向环境无关的Wi-Fi人体行为识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2023, no. 2, pages 136 - 1193 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173476A (zh) * 2023-09-05 2023-12-05 北京交通大学 一种单源域泛化行人再识别方法
CN117173476B (zh) * 2023-09-05 2024-05-24 北京交通大学 一种单源域泛化行人再识别方法
CN118379799A (zh) * 2024-06-21 2024-07-23 山东大学 基于解耦和鉴别联合学习的跨视角步态识别方法及系统

Also Published As

Publication number Publication date
CN116246349B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116246349A (zh) 一种基于渐进式子域挖掘的单源域领域泛化步态识别方法
CN112784790B (zh) 一种基于元学习的泛化性伪造脸检测方法
CN113204465B (zh) 一种基于执行跟踪的微服务提取方法
WO2021208601A1 (zh) 基于人工智能的图像处理方法、装置、设备及存储介质
CN107945210B (zh) 基于深度学习和环境自适应的目标跟踪方法
CN106951499A (zh) 一种基于翻译模型的知识图谱表示方法
CN107832407A (zh) 用于生成知识图谱的信息处理方法、装置和可读存储介质
CN106294738B (zh) 一种智能家居场景配置方法
CN107292259A (zh) 基于AdaRank的深度特征和传统特征的集成方法
CN113011337B (zh) 一种基于深度元学习的汉字字库生成方法及系统
NZ757969A (en) Quantifying robustness by analyzing a property graph data model
CN117349749B (zh) 基于混合卷积的多源域轴承故障诊断方法
CN110990498A (zh) 一种基于fcm算法的数据融合方法
CN102915448A (zh) 一种基于AdaBoost的三维模型自动分类方法
CN112949748A (zh) 基于图神经网络的动态网络异常检测算法模型
CN117636072A (zh) 基于难度感知数据增强与标签矫正的图像分类方法及系统
CN114510615A (zh) 一种基于图注意力池化网络的细粒度加密网站指纹分类方法和装置
CN114332491A (zh) 一种基于特征重构的显著性目标检测算法
CN109492770A (zh) 一种基于个性化关系排序的属性网络嵌入方法
US9082197B2 (en) Local image translating method and terminal with touch screen
CN110287761A (zh) 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法
CN113392786B (zh) 基于归一化和特征增强的跨域行人重识别方法
CN116778164A (zh) 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法
CN114519893A (zh) 一种分阶段注意时序对齐的少样本动作识别方法
CN116318856A (zh) 一种基于差分隐私和联邦学习的模型参数优化方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant