(19)中华 人民共和国 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 202111464319.6 (22)申请日 2021.12.0 3 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 (72)发明人 丁贵广　何涛　吴翰清　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 赵丽婷 (51)Int.Cl. G06V 20/52(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/762(2022.01)G06V 10/774(2022.01) (54)发明名称 行人重识别方法、 装置、 电子设备及存储介 质 (57)摘要 本申请涉及数据处理技术领域， 特别涉及一 种行人重识别方法、 装置、 电子设备及存储介质， 其中， 方法包括： 对采集的数据进行行人检测， 生 成无标注行人数据集， 在进行无监督训练后生成 第一行人重识别模型； 在第一行人重识别模型不 满足目标性能条件时， 利用第一行人重识别模型 对无标注行人数据集进行行人特征提取， 生成第 一行人特征集， 并进行重要性采样及标注， 根据 第一行人特征集中的标注数据与未标注数据进 行半监督训练， 生成第二行人重识别模型， 直到 第二行人重识别模型满足目标性能条件时， 利用 满足目标性能条件的第二行人重识别模型进行 行人识别。 由此， 解决了相关技术中行人重识别 模型训练所需的数据标注成本较高， 识别效果较 差等问题。 权利要求书2页 说明书8页 附图2页 CN 114399724 A 2022.04.26 CN 114399724 A 1.一种基于主动学习的弱监 督行人重识别方法， 其特 征在于， 包括以下步骤： 对采集的数据进行 行人检测， 生成无 标注行人数据集； 根据所述无 标注行人数据集进行 无监督训练， 生成第一行 人重识别模型； 在所述第一行人重识别模型不满足 目标性能条件时， 利用所述第 一行人重识别模型对 所述无标注行人数据集进行 行人特征提取， 生成第一行 人特征集； 对所述第一行人特征集进行重要性采样， 对采样的数据进行标注， 根据所述第一行人 特征集中的标注数据与未标注数据进行半监督训练， 生成第二行人重识别模型， 直到所述 第二行人重识别模型满足所述目标性能条件时， 利用满足所述目标性能条件的第二行人重 识别模型进行 行人识别。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一行人特征集中的标注数 据与未标注数据进行半监 督训练， 生成第二行 人重识别模型， 包括： 将所述标注数据作为约束条件对所述第 一行人特征集进行聚类， 以生成第 一伪标签行 人数据集； 利用所述第一伪标签行 人数据集进行监 督训练， 得到所述第二行 人重识别模型。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述第 一行人特征集进行重要性采 样， 对采样的数据进行 标注， 包括： 计算所述第一行 人特征集中任意两个数据xi， xj组成的数据对之间的距离； 选择与xi伪标签yi相同且距离最远的数据xj， 并选择与xi伪标签yi不同且距离最近的数 据xk， 组成三元组(xi， xj， xk)； 计算所述三元组(xi， xj， xk)的熵， 并将所有三元组的熵按照预设排序 规则进行排序， 并 根据熵从大到小顺序选择 预设数量的三元组； 根据选择的每 个三元组中的(xi， xj)与(xi， xk)组成所述标注数据。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述无标注行人数据集进行无监 督训练， 生成第一行 人重识别模型， 包括： 利用预设模型对所述无 标注行人数据集进行 行人特征提取， 生成第二行 人特征集； 使用基于密度的聚类算法对所述第 二行人特征集进行聚类， 生成第 二伪标签行人数据 集； 利用所述第二伪标签行 人数据集进行监 督训练， 得到所述第一行 人重识别模型。 5.根据权利要求1 ‑4任意一项所述的方法， 其特征在于， 在生成第一行人重识别模型之 后， 还包括： 判断所述第一行 人重识别模型 是否满足目标性能条件； 如果满足， 则将利用所述第一行 人重识别模型进行 行人识别。 6.一种基于主动学习的弱监 督行人重识别装置， 其特 征在于， 包括： 检测模块， 用于对 采集的数据进行 行人检测， 生成无 标注行人数据集； 第一训练模块， 用于根据所述无标注行人数据集进行无监督训练， 生成第一行人重识 别模型； 第二训练模块， 用于在所述第一行人重识别模型不满足目标性能条件时， 利用所述第 一行人重识别模型对所述无标注行人数据集进行行人特征提取， 生成第一行人特征集， 对 所述第一行人特征集进行重要性采样， 对采样的数据进行标注， 根据所述第一行人特征集权　利　要　求　书 1/2 页 2 CN 114399724 A 2中的标注数据与未标注数据进行半监督训练， 生成第二行人重识别模型， 直到所述第二行 人重识别模型满足所述目标性能条件时， 利用满足所述目标性能条件的第二行人重识别模 型进行行人识别。 7.根据权利要求6所述的装置， 其特征在于， 所述第 二训练模块用于将所述标注数据作 为约束条件对所述第一行人特征集进行聚类， 以生成第一伪标签行人数据集， 利用所述第 一伪标签行 人数据集进行监 督训练， 得到所述第二行 人重识别模型。 8.根据权利要求6所述的装置， 其特征在于， 所述第 二训练模块进一步用于计算所述第 一行人特征集中任意两个数据xi， xj组成的数据对之间的距离； 选择与xi伪标签yi相同且距 离最远的数据 xj， 并选择与 xi伪标签yi不同且距离最近的数据 xk， 组成三元组(xi， xj， xk)； 计 算所述三元 组(xi， xj， xk)的熵， 并将所有三元 组的熵按照预设排序规则进行排序， 并根据熵 从大到小顺序选择预设数量的三元组； 根据选择的每个三元组中的(xi， xj)与(xi， xk)组成 所述标注数据。 9.根据权利要求6所述的装置， 其特征在于， 所述第 一训练模块用于利用预设模型对所 述无标注行人数据集进行行人特征提取， 生成第二行人特征集， 使用基于密度的聚类算法 对所述第二行人特征集进行聚类， 生成第二伪标签行人数据集， 利用所述第二伪标签行人 数据集进行监 督训练， 得到所述第一行 人重识别模型。 10.根据权利要求6 ‑9任意一项所述的装置， 其特 征在于， 还 包括： 判断模块， 用于在生成第一行人重识别模型之后， 判断所述第一行人重识别模型是否 满足目标性能条件， 如果满足， 则将利用所述第一行 人重识别模型进行 行人识别。 11.一种电子设备， 其特征在于， 包括： 存储器、 处理器及存储在所述存储器上并可在所 述处理器上运行的计算机程序， 所述处理器执行所述程序， 以实现如权利要求 1‑5任一项所 述的基于主动学习的弱监 督行人重识别方法。 12.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行， 以用于实现如权利要求1 ‑5任一项所述的基于主动学习的弱监 督行人重识别方法。权　利　要　求　书 2/2 页 3 CN 114399724 A 3