(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 202111680087.8 (22)申请日 2021.12.3 0 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 黄立勤　陈重游　潘林　杨明静　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 丘鸿超　蔡学俊 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/74(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 无源域无监 督域自适应车辆再识别方法 (57)摘要 本发明提出一种无源域无监督域自适应车 辆再识别方法， 在车辆再识别过程中， 通过源域 模型和目标域数据， 利用关系保持一致损失和知 识蒸馏损失训练一个生成器， 目的是生成具有源 域风格的伪目标样本， 然后利用伪目标样本对模 型进行微调， 从而提升模型性能。 其不再使用源 域数据， 而是利用隐含在源域模 型中学习到的源 域知识来作为指导， 从而促进目标域数据的风格 向源域数据的风格进行迁移。 权利要求书2页 说明书5页 附图1页 CN 114332787 A 2022.04.12 CN 114332787 A 1.一种无源域无监督域自适应车辆再识别方法， 其特征在于： 在车辆再识别过程中， 通 过源域模型和目标域数据， 利用关系保持一致损失和知识蒸馏损失训练一个生成器， 目的 是生成具有源域风格的伪目标样本， 然后利用伪目标样本对模型进行微调， 从而提升模型 性能。 2.根据权利要求1所述的无源域无监督域自适应车辆再识别方法， 其特征在于： 不使用 源域数据， 而是利用隐含在源域模型中学习到的源域知识来作为指导， 从而促进目标域数 据的风格向源域数据的风格进行迁移。 3.根据权利要求2所述的无源域无监督域自适应车辆再识别方法， 其特征在于： 运用合 成图像， 将合成图像通过SPGA N生成伪目标样 本进行预训练， 同时能够接收源域数据与目标 域数据联合进行 再次训练， 进 而完成无监 督域自适应任务。 4.根据权利要求3所述的无源域无监督域自适应车辆再识别方法， 其特征在于： 通过合 成图像设计两个网络模型用来学习车辆的方向相似度和背景相似度， 再利用车辆ID相似度 减去方向相似度和相机相似度， 以此来减小相似的方向和背景的对 模型的干扰。 5.根据权利要求4所述的无源域无监督域自适应车辆再识别方法， 其特征在于： 源域模 型通过公开的预训练模型或者利用公开的数据集以交叉熵损失和三元组损失预训练获取； 目标域模型通过加载已获取的源域模型参数， 在利用目标域数据微调获得。 6.根据权利要求5所述的无源域无监 督域自适应车辆再识别方法， 其特 征在于： 假设只有源模型中的特征提取器才适应于目标域； 给定一个源模型fS(·)和一个目标 模型fT(·)， 为无源知识迁移模块训练一个生成器； 将目标图像设为x， 给定生成的图像 源模型输出所有源域数据的特征映射 和概率分布 为了描述生成 的图像中所适应的知识， 除了知识蒸馏损失外， 还引入一种新的关系保持损失， 其保持了目 标图像目标模型 特征图fT(x)与生成的图像源 模型特征图 之间的相对通道关系； 所述知识蒸馏损失为： 在无源知识迁移模块中， 将利用源模型和生成器的组合fS(g (·))描述目标模型fT(·)中适应的知识看做知识蒸馏的一种特殊情况； 将源域数据和目 标域数据之间的知识差异提取到生成器中； 利用生成图像喂入源模型的输出 和目 标图像喂入目标模型的输出p(fT(x))构成知识蒸馏损失： 所述关系保持损 失为： 在经过成功 的知识蒸馏之后， 目标图像据通过目标模型所得到 的全局特征和生成的源域风格图像通过源模型所得到的全局特征应当是相似的， 因此利用 关系保持损失进行约束； 给定源域特 征图 和目标域特 征图fT(x)， 首先对其进行重塑为特 征向量FS和FT， 其中， D、 H、 W分别为特征图深度(通道数)、 高度和宽度； 之后， 计算它们的通道级自相关 性， 或格拉姆 矩阵， 其中， Gs， GT∈RD×D， 并应用行L2归一 化：权　利　要　求　书 1/2 页 2 CN 114332787 A 2其中， [i， ： ]表示矩阵中的第i行； 最后， 将保持损失的关系定义为归一化格兰氏矩阵之 间的均方误差 MSE： 总损失为： 通过这两个损 失的约束， 能够从目标图像中生成源风格的图像， 以此用于模型的进一 步微调， 提升模型辨别能力。权　利　要　求　书 2/2 页 3 CN 114332787 A 3