基于半监督行人重识别算法的环境违法者跨镜识别技术研究

作     者：蒋鹏飞 

作者单位：合肥学院 

学位级别：硕士

导师姓名：吕刚;陈学三

授予年度：2022年

学科分类：08[工学] 083305[工学-城乡生态环境与基础设施规划] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0833[工学-城乡规划学] 

主      题：监督学习 半监督学习 环境保护 正则化约束 环境违法者识别 

摘      要：随着全国进入数字化时代,海量的信息数据在环境保护工作中扮演举足轻重的角色,更加智能化数字化的社会也对我们环境治理提出更高的要求。目前从源头上解决人为污染最有效的手段之一是将成熟的行人重识别技术与环境工程相关方向相结合,此方法能够起到警示作用。当前的行人重识别技术主要有三种方法:监督行人重识别方法、半监督行人重识别方法和无监督行人重识别方法。其中监督行人重识别方法是利用深度卷积神经网络去训练大量高质量带标签的环境违法者图片,并得到最好的识别模型,但此过程中需要消耗大量的人力物力资源。无监督行人重识别方法则不需高质量带标签的环境违法者图片,其利用Gan等网络结构去生成伪标签来训练,其识别准确率可以与监督行人重识别方法相媲美。半监督行人重识别方法则利用少量带标签的环境违法者图片和大量无标签的环境违法者图片一起训练,利用少量带标签的数据达到与大量有标签的数据相似的精度。因此,本论文通过研究监督行人重识别技术和半监督行人重识别技术,将其应用于环境工程中,提出了基于半监督行人重识别算法的环境违法者跨境识别技术方法。本论文主要创新点如下:(1)基于监督学习改进的行人重识别方法。首先基于Dual Attention Network模型中的位置注意力机制和通道注意力机制提出在深度卷积神经网络后增加位置注意力机制和通道注意力机制的改进方法,接着基于Attentive but diverse Person Re Id模型中的谱值差分(SVDO)正交性约束提出在整个监督学习网络中的每一层卷积后增加权重约束并在位置注意力机制和通道注意力机制后增加特征值约束的改进方法。实验结果表明,此改进方法在深度卷积网络为Res Net50时,其m AP和Rank-1分别为88.28%和95.96%,效果优于其他深度卷积网络;此改进方法能在基线的基础上将m AP和Rank-1分别从77.40%和91.50%提升至88.28%和95.96%。再者基于Contextual Transformer Networks模型提出用三个1×1卷积核代替Res Net网络中3×3卷积核进行深度卷积神经网络内部改进,并在每层卷积后增加权重约束。实验结果表明,此改进方法在深度卷积网络为Res Net50时,其m AP和Rank-1分别为24.79%和44.69%;在此改进方法的基础上添加权重约束,其m AP和Rank-1分别从24.79%和44.69%提升至28.33%和49.44%。(2)基于正则化约束的半监督行人重识别方法。首先提出基于正则化约束的半监督行人重识别方法,该方法构造出相同初始化参数的双模型网络,即教师网络和学生网络。在训练过程中随机使用部分有标签数据和大量无标签数据作为双模型的输入,同时利用正则化对双模型网络的参数进行约束,使其对于同一个有标签或无标签输入数据的输出结果保持一致。在此基础上,教师网络利用随机梯度下降法优化得到其所需参数,学生网络则利用教师网络优化过的参数进行权重加权移动平均迭代得到其所需参数。再者提出实验过程中的数据集是由大量无标签数据和少量有标签数据组成的Market1501数据集。实验结果表明,该改进方法在利用部分有标签和大量无标签组成的Market1501数据集上的Rank-1和m AP比原监督学习改进方法的Rank-1和m AP均有提高,证明了该方法在少量有标签下的学习具有有效性。在与无监督方法、半监督方法以及迁移学习方法对比下,该方法具有优越性。